适配特定应用场景的AI模型

核心要点

1. 模型仅能在预设场景、限定用途下使用，规避未知风险。

2. 模型开发必须遵循标准化完整流程，并通过具备独立性的验证方案完成校验。

3. 模型落地部署必须建立可信机制，配套手段全程追踪模型各项特性。

模型用于复现现实世界的各类行为，但所有模型都存在取舍：为提升运行性能，会舍弃部分细节、采用近似化表征。

芯片设计模型无疑是最重要的一类模型，其次是整套验证流程配套的各类模型；工具模型、设计流程模型也广泛应用。人工智能正在彻底改变这类模型的开发与使用方式。

行业常构建代理替代模型来提升仿真速度，这类模型会删减细节、采用近似表达，且普遍采用分层架构。以寄存器传输级（RTL）模型为例：它是时钟精准级设计模型，两个时钟沿之间调用门级、算术级子模型；而门级模型又是对晶体管模型的理想化简化，晶体管模型本身也是物理规律的简化表达。只要不超出设计适用场景，每一层抽象模型都可稳定工作，模拟、数字芯片设计领域均大量使用分层抽象模型。（相关深度解读可参阅《AI 能否生成缺失的仿真模型？》）

模型开发成本普遍偏高，很大一部分开销来源于配套验证工作。若模型精度、保真度未知，或是脱离原始设计场景使用，会引发错误设计决策、遗漏硬件缺陷。这类问题若在设计流程后期才暴露，整改成本极高；一旦流入量产芯片，损失将更为惨重。若依靠 AI 自动生成模型，落地前必须先建立可信机制，而可信体系只能依托可复现、可追溯的标准化开发流程搭建。除此之外，必须为模型添加元数据标签，明确模型适用范围与适配工况。

新思 DSO.ai、楷登 Cerebrus 是工具与流程 AI 建模的典型案例：两款工具基于强化学习，为分块物理实现流程搭建自动优化闭环。每一轮迭代后，工具会评估功耗、性能、面积（PPA）指标，新采集的数据用于迭代优化 AI 模型，针对当前设计给出更合理的工具参数配置方案。

这类实现优化工具的核心输入是 RTL 设计模型，该阶段设计状态相对稳定。而当下多数 AI 模型聚焦设计流程中状态波动更大的环节，例如功能验证。验证环节的核心目标是快速定位设计、测试激励中的缺陷并完成修复，同时逐步收敛覆盖率指标，而覆盖率目标本身也会动态调整。因此，用于训练模型的数据是否准确、数据有效周期长短，是整个流程中至关重要的一环。

验证属于持续收敛迭代类流程，对数据有效性具备一定容错空间。Normal Computing 产品工程主管阿尔温德・斯里尼瓦桑表示：“模型精度只能在域内数据、高精度基准仿真上量化测算，而基准仿真成本高昂，因此模型泛化能力是一大难点。若采用模仿学习训练小型代理模型，一旦原始电路结构发生变化，模型输出将完全失真。行业目前有两条解决路线：第一，学习具备泛化能力的物理底层规则，但这套方案复杂度极高，只能过度简化参数、扩大适用边界，精度大幅受损；第二，舍弃显式物理约束，依靠语义理解完成学习，借助世界模型、大语言模型实现知识迁移。”

模拟行为模型同样必须完善标签标注，防止在需要特定物理特性但模型未完成对应验证的场景下误用。

面向设计与验证的模型开发

行业已形成多种标准化模型开发流程，进入 AI 时代后流程体系也将持续迭代。本文采用一套经典六步开发流程，由 ChipAgents 工程负责人梅希尔・阿罗拉提出：

1. 定义模型适用范围、交互接口、精度指标与使用场景；

2. 依托黄金基准仿真生成标准参考数据集；

3. 构建行为级仿真模型；

4. 对照黄金基准模型完成有效性验证；

5. 多轮迭代优化模型；

6. 将模型集成部署至仿真环境。

明确模型使用方式、使用时机，不仅关乎模型精度，还能最大限度降低模型开发工作量。是德科技 EDA 研发院士汤姆・德穆尔称：“你可以开发一款仅适配自家工具的定制化模型，也可以输出 SPICE 网表格式模型，适配更多平台。输出完整 Verilog 模型，与仅开发满足基础需求的最简模型，开发工作量天差地别。”

模型开发需要兼顾两大核心维度：精度与完备性，二者概念不同、缺一不可。Axiomise 首席执行官阿希什・达巴里表示：“数字验证领域，精度指模型给出的建议、预测结果与可信基准输出是否一致；完备性更难衡量，代表模型能够覆盖多少验证场景。一款模型在常规工况下表现良好，仍可能遗漏罕见协议交互、复位逻辑、低功耗模式、安全关键通路等场景。”

模拟芯片领域二者定义存在差异。Normal Computing 产品经理汉娜・叶普解释：“精度属于统计概念：在全数据分布区间内，模型输出与真实基准值的偏差程度；完备性对应覆盖度：模型是否对所有关键工况都定义了完整行为。存在一类高精度但完备性极差的模型：它能精准复现已覆盖场景，但完全无法表征重要工况。两类缺陷需要针对性的修复方案。”

明确使用场景，才能精准定义模型各项技术指标。Axiomise 达巴里说：“合理使用模型的前提，是先界定模型定位。数字验证中绝大多数 AI 模型仅作为流程辅助工具，而非最终签核引擎。它可以推荐回归测试用例、优先级排序测试、生成断言、制定形式化验证策略，但不能单独判定验证收敛。因此必须将 AI 模型限定在有边界的决策闭环内，仿真、硬件仿真、形式化验证、其他可信分析工具才是最终判定依据。”

依托数据生成模型，与依托设计规范生成模型逻辑相近。楷登产品营销总监保罗・格雷科夫斯基说：“我希望向大语言模型输入设计规范，由模型生成仿真模型。但如何引导大模型输出合规代码是一大难题，绝大多数设计规范本身描述并不完善。无论输入规范、时序图，本质都是构建人脑抽象模型；规范中大量默认隐含条件，都需要模型主动挖掘推演。”

构建黄金基准模型

若模型依托仿真样本训练，必须采用可信基准仿真生成训练数据集。Normal 汉娜・叶普表示：“训练数据集的分布质量，和数据总量同等关键。以 DRAM 验证为例，时序违例、协议边界工况、条件交互等关键失效模式，在常规仿真日志中占比极低 —— 绝大多数仿真时间都在跑标准正常工况。基于这类数据训练的模型，在常规场景下精度看似很高，但极易在会导致芯片重流片的特殊工况下无声出错。因此定向采样策略和拟合算法同等重要，需要深厚行业领域知识支撑。”

模拟模型开发更贴合物理底层规律。达巴里介绍：“工程师选取关键工艺角、激励信号运行 SPICE、电磁仿真，再基于仿真结果训练代理降阶模型，封装为 Verilog-A、实数建模或其他行为级格式。数字、模拟建模底层逻辑一致：依托可信参考数据学习，再将模型集成回设计流程。”

单模型适配这套开发流程，但验证流程中多模型协同场景复杂度大幅提升：多数据源、多工具、多模型持续迭代优化。达巴里补充：“这类模型大多复用验证流程原生产出数据，包含回归测试记录、覆盖率数据库、故障调试日志、波形文件、形式化验证结果、工具运行日志。原始数据经过清洗标注后，用于训练排序、分类、推荐类 AI 模型，预判关键测试用例、关联同类故障、定位形式化验证最易收敛的路径。形式化验证的训练输入还包含断言、协议规范、抽象模型、历史证明结果，AI 不仅从仿真记录学习，还能理解验证核心目标。”

ChipAgents 阿罗拉介绍从参考数据生成模型的流程：“智能体解析参考数据，提取行为模型核心参数；通过多轮迭代生成 Verilog-A 模型，复现参考数据中表征的部分电路行为。”

目前市面所有 AI 代码生成工具均存在缺陷。南安普顿大学 AI 与 EDA 研究员西蒙・戴维曼表示：“评估 AI 生成设计代码质量，必须区分三组不等效指标：语法合规性、功能正确性、形式化完备性。将三者混为一谈，是研发团队最容易犯下、且后果严重的评估误区。”

不同场景下模型正确率差异极大。楷登格雷科夫斯基说：“大语言模型生成 C、Python 代码精度很高，可直接运行；但生成 SystemVerilog 断言、复杂 UVM 环境则输出不稳定。即便全部遵循 SystemVerilog 标准，标准本身定义存在模糊地带，无法做到完美无歧义，工具只能尽力解析。”

行业其他从业者也指出同类短板。戴维曼称：“语法合规（代码可无报错编译）只是必要非充分条件。现有大模型对标准 Verilog 语法几乎能做到 100% 语法正确；功能正确率依托 VerilogEval 等基准套件 pass@k 指标衡量，代表 k 次生成内可通过功能仿真的模块占比。但现有基准案例以简短教学类模块为主，完全无法反映工业级片上系统子模块复杂度。一款在 VerilogEval 得分 90% 的模型，可能从未训练过包含复杂跨时钟域处理的缓存控制器。现有基准是为人工编写 RTL 的时代设计，行业亟需一套专门暴露 AI 模型缺陷的工业级基准测试集，目前尚未成型。”

行业也存在多种优化手段，提升优质模型产出概率。Normal 机器学习负责人托马斯・阿赫勒表示：“若能压缩为极简表征，模型泛化能力会更强，代表它学到了底层通用规律。谷歌近期发布一款高性能气象模型，采用极小瓶颈层结构，强制模型提炼精简表征，挖掘系统真实物理规律，而非记忆海量零散经验规则。”

对照黄金基准模型完成验证

开发中常见误区：训练集与验证集复用同一批样本。Mirabilis Design 创始人迪帕克・尚卡尔说：“可通过设计基础校验用例验证精度，对比模型输出统计量与基准标准值是否匹配。AI 生成的模型规模扩大后，必须人工校验，防止模型产生脱离实际的虚构行为。”

基础校验测试不可或缺。是德德穆尔举例：“若为滤波器这类线性器件建立 S 参数模型，会划分训练集与独立留存验证集，校验模型与留存数据集的匹配度。另一项关键校验：保证代理模型符合物理规则。例如滤波器这类无源器件，首要校验模型满足无源特性，这是直观有效的判断标准；同时模型必须满足因果性，不能出现时间逆向传输信号的情况。”

同时要明确：模型在预设场景之外，天然无法保证精度。阿罗拉表示：“行为模型无需波形和基准仿真完全对齐，它本身就是真实电路的简化表征。因此迭代阶段，智能体重点研判：模型与黄金仿真的偏差，是否在模型简化约束的合理范围内。”

必须以适配目标场景为核心评判标准。达巴里补充模拟领域现状：“模拟行为模型、代理模型本身就是对电路行为的简化，会忽略细微效应、训练边界外的工况。这类模型虽能大幅加速仿真，但不能替代完善设计规范、工程师专业判断、独立签核验证。”

多种手段可排查模型覆盖盲区。ChipAgents 智能体研发工程师西达斯・坎南说：“生成模型的同时输出对比基准真值的行为曲线图；必须由工程师人工签字确认模型有效，智能体才能完成开发闭环。所有模型与输出结果均可追溯、可复现。”

一旦发现精度偏差、功能缺陷，必须进入迭代优化环节。ChipAgents 阿罗拉介绍：“智能体可大幅降低迭代工作量，自动识别模型与黄金基准的偏差区域，生成针对性新测试用例定位该区间行为，实现主动学习。无需预先设定均匀仿真网格，智能体自主选取信息增益最大的仿真点；采集新仿真数据后自动重构、重新评估，全程无需人工介入。”

另一类流程采用增量式迭代建模，工具、流程建模场景尤为典型 —— 无法提前构建完整全量模型，优化与部署深度绑定。达巴里表示：“这类模型依托历史数据学习，更擅长复现团队过往遇到的问题，很难挖掘全新缺陷、边界工况。它可以提升覆盖率增长速度，但覆盖率不等同于功能正确，亮眼的覆盖率指标仍可能隐藏关键漏检缺陷。”

仿真是必不可少的环节

落地部署前必须完成签核验证。南安普顿戴维曼称：“企业引入 AI 模型投入量产流程前，不能只关注模型精度，更要明确三点：训练数据集来源、数据集未覆盖哪些工况、实际设计距离数据边界有多近。所有团队都应选取内部最复杂、创新的典型设计样本，开展边界探测专项测试，将 AI 输出与行业专家结论独立比对。这套测试能定位数据集边界、模型不确定性区间；缺少该步骤，落地部署等于在风险未知的前提下推进。”

必须完整掌握生成模型的各项固有属性。是德德穆尔说：“第一步为模型标注基础属性，例如无源特性保障、因果特性保障；第二步标注适用范围，即参数区间，该区间内模型输出可信。目前行业针对精度标签、精度与速度权衡的标注体系尚不成熟。多数团队默认模型可靠、开发团队可输出合格结果，缺乏标准化评估流程。”

若训练数据存在使用限制，管控流程会更加复杂。西门子 EDA 产品负责人萨蒂什库马尔・巴拉苏布拉马尼亚姆表示：“所有 AI 生成内容必须添加水印标识。谷歌近期推出大模型生成内容标注标准，方便识别内容出自大语言模型。完善的数据标注体系至关重要，微调模型前必须完成数据源真实性校验，不能无限制抓取任意数据。从数据源到微调训练全流程，都必须建立标准化校验规范，严格落地执行。”

可信是落地的前提。德穆尔补充：“我不会 100% 信任 AI 模型。即便 AI 模型是流程核心，也普遍采用混合验证方案：大量运行 AI 模型仿真，定期穿插一次完整黄金基准仿真，长期校验模型是否持续稳定在可信区间。”

缺乏可信体系，AI 模型落地规模将受限。戴维曼总结：“EDA 领域 AI 模型的核心局限：可靠性被训练数据分布约束。机器学习理论中该约束已是共识，但厂商工具手册极少标注，直接影响工具评估、落地方案设计。多数企业尚无统一规范区分人工编写、AI 生成断言，也未明确二者对签核可信度的影响；同时厂商文档普遍缺失模型训练范围、失效模式、适用域边界说明。只有补齐两大信息缺口，AI 生成设计内容才能大规模用于安全关键类芯片开发。”