可观测性：AI 时代芯粒设计缺失的关键架构层

新一代芯片体系中，人工智能能够大规模解析系统运行行为，但前提是可观测性必须作为一等架构能力，原生嵌入芯片互联底层。

片上可观测性（又称裸片可视化、芯片内监测）对当下高性能系统的性能管控、可靠性保障、安全运维愈发关键。《半导体工程》杂志邀请行业专家围绕片内数据分析与系统容灾展开圆桌研讨，参会嘉宾包括：

安特瑞斯产品市场副总裁安迪・南丁格尔、Axiomise 首席执行官阿希什・达巴里、巴亚系统首席商务官南丹・纳扬帕利、楷登电子硅解决方案集团杰出工程师莫希科・埃默、是德科技 EDA 裸片互联与边缘计算战略规划经理佩德罗・梅洛、Movellus 首席运营官维克拉姆・卡尔瓦特、西门子 EDA 泰森特车载 IC 解决方案总监李・哈里森、新思科技产品管理总监兰迪・菲什、温奇半导体全球市场负责人萨蒂什・拉达克里希南。

拉达克里希南

AI 正在芯片设计全流程广泛落地，大幅加速芯片开发与验证周期。除设计验证、规则检查场景外，仿真环节的效率提升效果尤为显著，数字孪生、机器人仿真等场景都需要高速高精度预测系统。

长期来看，数据采集与分析能推动行业从被动故障修复转向主动预测运维。通过持续迭代模型，系统可识别数据衰减等细微异常，依托智能自主 AI 在故障爆发前主动处置。长远来看，AI 将渗透芯片设计、验证、全生命周期监测所有阶段。

达巴里

目前数据采集环节仍以传统方案为主，这存在合理必要性：数据捕获流程要求强确定性，依靠固定硬件逻辑与固件采集预设信号、运行日志。没人愿意搭载一套 “智能监测单元”，关键时刻遗漏关键故障数据。

AI 的核心价值集中在数据分析层：可基于高维度遥测数据做异常检测、批量归类现场故障、从测试与早期运行数据的微弱特征预判不良芯片 / 晶圆批次，还能在测试机上给出最优工作点建议（例如单裸片电压优化）。

当下闭环调控环节依旧以规则引擎为主，该模式短期内会持续普及。近一两年，AI 主要承担数据分析、辅助决策角色，在云与数据中心场景价值突出。未来数年将涌现更多 AI 辅助控制器，但会被严格的安全边界约束，底层仍由传统控制逻辑兜底。

形式化验证工具将发挥关键作用：可定义 AI 决策策略必须遵守的系统不变量，并完成严格校验，确保数据驱动的控制器不会将系统带入可证明的危险状态。

南丁格尔

我深表认同。智能自主 AI 已融入前端设计流程，同时越来越多地用于大规模可观测数据治理。当前行业瓶颈并非数据采集，而是海量数据解读。现代芯片搭载数百路探测点，产出巨量遥测信息，人工分析、静态规则筛查均不可行。

机器学习可自动识别异常、性能瓶颈、传输拥塞，并输出优化方案；模型能够自主推荐甚至动态调整系统参数、调度策略、硬件资源。本质上，AI 辅助工程师判断，推动行业从事后调试走向预测性分析与闭环自主优化，这是极具前景的赛道。

哈里森

我近期接触到一个落地案例：依托多类型监测传感器数据训练 AI 可靠性模型，可精准预测数据中心芯片的失效日期。海量多维度监测数据人工分析工作量巨大，AI 能自动挖掘趋势、交叉比对特征，精准预判器件寿命，这也是各大云厂商核心诉求 —— 最大限度延长数据中心硬件服役周期。

菲什

大语言模型与 AI 技术已全面应用于电子设计自动化工具、流片后量产良率分析、整机性能统计。另一极具潜力的方向是微型语言模型（TinyML）深度嵌入芯片内部。多年来行业已将感知器、神经网络用于分支预测等模块，在场各位不少企业也在自研同类方案。

这类轻量化 AI 占用极小芯片面积，软硬实现方案兼备，但相关公开文献、落地案例资料十分稀缺。

纳扬帕利

传统设计反馈链路早已大量引入 AI，整机集群、云端大数据是主流应用模式，依托海量采集数据迭代分析模型。但整套标准化分析平台才是创新核心。

当下量产 AI 模型主要用于定位各类异常：区分标准合规问题、器件老化故障、安全漏洞、芯粒互联缺陷。同时行业都在发力纳秒级负载分析，精准评估业务服务质量与硬件可用性。

梅洛

无论当下还是未来，AI 都会统筹调度整套硬件系统。试想由海量智能体组成调度网络，统一管理全球各地数据中心，其调度、决策能力是传统方案无法企及的。

从芯片内部采集底层数据、联动电网与新能源供给、全局系统优化，整套流程都离不开 AI。未来硬件数据量将呈爆炸式增长，人工无法逐条分析遥测日志、实时下发决策，智能自主调度与管控架构是唯一可行路线。

南丁格尔

未来将涌现大量自主管理型芯片：动态调度 CPU 与加速器传输优先级、实时探测片上网络热点、负载均衡分流。正如纳扬帕利所说，若芯片局部出现故障，系统可绕开失效 “静默裸片” 分流流量，保障实时业务满足时延要求；软件再根据监测到的拥塞动态调整带宽分配，整套流程全部由智能自主 AI 管控。

工程师仅需下发需求：“依据这套性能标准调度系统，运行不达标则自主适配优化”，相关前沿技术正在快速成熟。

梅洛

结合机器人运维场景：AI 预判芯片一个月后失效，可提前调度运维机器人携带备用器件到场快速更换，该场景即将落地商用。

哈里森

这属于完整的芯片全生命周期管理方案，核心是 “自愈芯片” 理念。若支持内核冗余替换、故障内核离线隔离，即可实现硬件自愈，自主管控全链路运行。

拉达克里希南

我们需要一套预训练完成的智能系统，支持全量仿真、极速运算，完整覆盖复杂异构设计。速度、精度、全局一体化是三大核心指标，不能拆分模块单独分析 —— 芯片串扰、模块交互是全局耦合问题，必须整体建模。

海量数据无法长期存储，系统需要实时快速输出结论，极速完成数据预处理。另外关键一点：行业统一标准。

菲什

标准有利有弊。多年来测试设备、可测性设计（DFT）工具已实现标准化，但各类传感器、监测单元的数据格式杂乱无章。云服务商普遍希望遥测数据统一标准化，所有设备统一接入 Redfish 协议，但数据交互格式缺乏统一规范。

当大型系统集成多家厂商 IP 芯粒、终端整机商组装整机后，统一数据标准会成为刚需。

梅洛

遥测能力会成为复杂系统一等架构组件，如同当下数据中心 CPU、GPU 是核心算力单元。如今散热系统的重要性大幅提升，航天设备故障极少源于计算单元，绝大多数是散热瓶颈。

散热已作为核心设计要素重塑 AI 数据中心，遥测监测体系的重要性有过之而无不及。超大规模数据中心部署体量庞大，遥测标准化是所有云厂商的最高优先级需求。

南丁格尔

谈可观测性规模化落地，多裸片、芯粒架构的核心硬性要求是：跨裸片统一的全局系统行为视图。扩展性最优的设计思路，是将可观测通道与数据传输总线深度对齐，监测通路与业务数据流路径完全同步，不受裸片数量限制。

统一标准是基础，支撑单颗片上系统、多裸片封装复用同一套可视化模型。大规模全局遥测数据产出后，AI 负责解读、识别特征、输出优化方案；但 AI 无法解决底层硬件探测、规模化采集的根源问题。

AI 只负责数据分析，可观测性扩容本质是架构设计问题。若跨裸片缺乏统一、与总线协同的监测通路，AI 没有有效数据作为分析基础。

纳扬帕利

安迪的观点十分关键，核心症结在于架构设计。监测点位的设计逻辑、可编程升级能力、横向扩容能力必须原生融入架构；同时兼顾实时读取、多渠道数据调取的便捷性。

实时业务场景需简化片内计算，避免海量原始数据生成；若无法规避大数据产出，则配套硬件压缩单元。我们团队核心研发方向：跨裸片、裸片内统一传输与监测底层架构，简化软件与 AI 数据读取链路，保障实时分析。

卡尔瓦特

规模化场景下，数据传输是最大瓶颈。从单芯片到芯粒集群再到整机系统，监测数据量指数级暴涨。设计团队必须在传感器端完成原始数据过滤、降采样、压缩，减少传输至片内处理单元、外部系统栈、云端的数据体量。传感器就近数据处理是实现可观测性扩容的核心手段。

达巴里

可观测性规模化本质是架构 + 标准化双重难题。需要一套跨裸片统一遥测总线、器件生命周期通用数据格式、各芯粒标准化监测接口，让集成商获取完整全局视图。AI 仅能在这套底层体系搭建完成后发挥价值：跨裸片事件关联、挖掘人工难以识别的隐性异常。但 AI 无法替代标准化底层架构。

闭环优化需要标准化遥测数据搭配形式化系统约束：明确定义跨裸片硬性指标（缓存一致性、指令有序性、安全边界、持续运行能力），仅部署最低限度跨裸片监测单元，验证指标是否在线上稳定运行。

AI 只能提示 “该特征存在异常风险”，只有形式化验证工具才能判定该异常是否会、或终将违反系统核心约束。

南丁格尔

我们的方案性能损耗极低。核心设计思路：监测通道完全独立、硬件过滤减少采集数据量，非必要场景不侵入业务通路，保障监测行为只观测、不干扰系统。

我们搭建独立次级监测总线，不改动业务数据流，规避 “观测行为干扰被测对象” 的海森堡不确定性问题。

哈里森

我们的监测单元完全无侵入式，搭载独立硬件基础设施，属于被动采集模块。唯一潜在影响是时序收敛，但纯功能层面无任何干扰，不会抢占业务运行时钟周期。独立监测硬件是核心保障。

菲什

行业监测方案跨度极大：简易单路温度传感器，到单芯片上百条时序裕量监测通道，各类方案并存多年。过去可测性设计（DFT）常因占用芯片面积饱受诟病，如今已是芯片设计刚需。

监测体系分层设计，复杂度远超单点传感器。面积、时序损耗会纳入评估指标，但不会阻碍厂商部署监测单元。

达巴里

设计不当的监测机制极易侵入业务链路：关键路径新增监测逻辑、高频追踪数据流、轮询采集都会扰动被测系统。低功耗设备中，常驻监测总线会持续消耗功耗，改变芯片热分布。

行业最佳实践是分层监测架构：

梅洛

从云厂商数据中心运营成本来看，先进监测系统虽带来少量功耗开销，但智能调度优化可大幅降低整体能耗。单节点故障导致整个训练集群停机，会给云服务商带来数千美元损失；投入少量硬件成本完善遥测监测，即可规避毁灭性停机事故，绝大多数运营商都认为投入具备价值。没人愿意因单颗裸片互联故障，造成整套集群停运。

达巴里

三大核心短板：

第一，绑定形式化约束的定向遥测。现有监测单元仅输出底层原始数据（温度、电压、计数、通用故障码）。下一代监测硬件需直接对接形式化系统约束：例如 “该计数器统计正向运行约束临界告警”“该标志位代表数据完整性前置条件失效”，让现场监测数据可直接定位问题、落地修复。

第二，芯片硬件与形式化模型双向联动。目前遥测数据极少系统性回灌形式化验证平台。理想架构下，真实业务流量、极端工况、现场故障特征自动作为形式化仿真输入，优化验证覆盖目标；反之，形式化工具可定位现有监测单元无法观测的关键行为，指导下一代硬件探测点位优化。这打通验证与芯片全生命周期管理的关键突破口。

第三，完善静默数据损坏（SDC）与跨层级因果追溯能力。静默数据损坏已是行业不可忽视的重大风险。可观测架构需原生配套基于形式化规范设计的校验、监测单元，提前捕捉 SDC 早期特征；提供跨 IP、跨裸片全链路溯源能力，定位故障根源。

结合形式化验证与可观测体系，行业才能从 “发现报错” 升级为 “精准定位哪项系统约束失效、故障诱因、完整修复方案”。

卡尔瓦特

我们不追求新增功能，而是推动行业建立开放统一标准。单一厂商无法独立完成下一代芯片全链路数据采集、解析。开放标准框架可实现三点价值：

梅洛

全链路标准化将大幅加速技术迭代，产出扩展性更强、更完善的解决方案。

哈里森

我十分认同。我们与客户沟通芯片全生命周期管理时发现，各家对该概念定义差异巨大。亟需统一行业标准、统一发展路线，云厂商更是强力推动标准化战略，行业应加快落地统一规范。

拉达克里希南

台积电等晶圆厂正在研发 3D 堆叠芯粒方案，多厂商硬件之间需要安全互通通道。智能体、AI 自主决策依赖组件、系统层级加密通信机制，配套集群协同运行标准。芯片裂纹、热点会通过串扰影响多颗裸片，晶圆厂与整机系统必须搭建标准化协同排查体系，快速定位、解决跨器件故障。

菲什

监测数据的安全与隐私保护是一大缺口。乍看温度、电压、交易日志无涉密价值，但云厂商、车载场景对这类监测数据高度敏感。全行业统一的数据加密、防护规范亟待落地。

纳扬帕利

我换一个互联之外的视角。安此前将片内可视化拓展至封装级监测，这对芯粒生态至关重要：器件单独测试各项电气指标全部正常，但封装内部互联失效。故障点位难以区分：焊球缺陷？基板走线损坏？

如今多尺度、多物理场仿真技术虽在研发，但无法实现实时线上定位分析。完善封装级监测可快速交叉定位故障，真正释放商用芯粒市场活力：厂商无需互相推诿故障责任、承担不必要赔付，提前隔离封装互联缺陷。除去整机集成权责划分，这也是制约通用芯粒交易市场发展的核心痛点。

南丁格尔

现有可观测体系大多只能记录 “发生了什么故障”，很难定位 “故障根源”，也是客户咨询最多的痛点。行业亟需一套机制，将流量行为、业务负载、软件状态、系统配置（片内 / 片外）做全维度关联，让监测数据具备溯源价值、便于落地修复。这是当下客户核心诉求：“我们能看到故障现象，但依旧找不到修复方案”。补充全链路上下文信息，是和前文所有方向同等重要的研发重点。