AI与EDA:芯片设计软件的智能化之路

大家好，欢迎来到新哥聊AI，今天跟大家聊一个跟我专业密切相关的话题——AI与EDA软件的操作。我试过国内外一些AI与EDA软件兼容的产品，也看过相关宣传片，今天我们一起讨论几个研究方向。
📖 什么是EDA？
EDA是Electronic Design Automation的缩写，直译就是电子设计自动化。做电路或相关器件时，我们需要用软件来辅助设计——你看，那个时代就有”自动化”了。
早期集成电路的EDA设计，要数康威（Lynn Conway）这位了不起的科学家。她在数字电路设计上首先提出了棒状图（Stick Diagram） 。当时数字电路数量还不多，根本没有什么仿真软件、设计软件，完全手工操作。
你可以想象，Intel的4004其实是一个芯片组，从4001到4004四款芯片组成，是最早的CPU。4004作为其中技术含量最高的一块被广为流传，它奠定了Intel后来X86体系的基础——那颗芯片只有3000多个晶体管，纯手工设计，多复杂可想而知。
在4004之前，存储器的设计相对容易，因为存储单元的结构高度重复。只要你把一个结构画对了，其他结构就像Conway规则一样复制即可。这也是为什么早期很多人做存储芯片——受限于手工绘制版图，重复结构是最务实的选择。
当时的版图绘制是在蓝色和红色的掩膜版上进行的，画完直接拿去制造。有点像服装设计师：画一个草图，根据模特身材设计衣服，再把设计图变成精确尺寸交给制作工坊。
🔢 从汇编到高级语言：电路听不懂人话
后来不行了。数字集成电路出来后，存储芯片要求的容量越来越高，过去K级就已经不错了——这就是为什么当时有汇编语言，介于编程语言和机器语言之间。
我本科时老师带着做大创，给了我一堆汇编代码去读，读得昏天黑地——有些部分直接就是0110，就是高低电平这种数字信号，给到单片机或嵌入式系统上实现功能。如果你不了解电路的具体结构，根本不知道给的1001意味着什么。
现在C语言、Python语言越来越像人类语言，很多AI可以直接把人类语言转化成C语言、Python去执行。但我要跟大家说：无论是哪种语言，电路根本听不懂也看不懂。底层仍然有一个翻译指令集，把人类熟悉的表达转化成机器能听懂的语言。
因此，随着计算机深入、软件开发和电路设计旺盛需求的推动，EDA及其算法逐渐形成了一个完整的体系。
📊 数学建模的陷阱：参数越多越聪明？
在学术领域，EDA算法的研究曾经走过一条弯路。
早期人们还结合具体工艺库和实际制造要求去设计，后来一些科学家提出：我完全用数学建模的方式来描述电路功能和器件特性，不需要去工厂了解芯片怎么制造，这就变成了一个编程和数学的游戏。
当时认为参数越多就越聪明——就好像现在说”70B满血版”的AI一样。刚开始确实如此：参数越多，模型仿真效果越接近真实情况。但后来发现不行了——
直接决定芯片性能的，不是仿真的性能，而是你实际做出来的芯片的测试效果。 电脑上的仿真和芯片做出来的结果不一样，甚至差距很大。
不断增加参数本质上是一种”拟合”思想：如果公式足够复杂、函数表达式足够复杂、参数足够多，就可以完美复刻一条曲线。但这些参数和公式本身是否具有物理意义？条件变了它是否能复现背后的物理机制？很多是达不到的。
举个例子：重力等于质量乘上重力加速度，g是9.8m/s²。但搬到月球上，这个g就不一样了。甚至在地球上，赤道和南北极测量的小g都不一样——你得结合实际情况去调整优化，甚至推倒重来。
后来人们发现了这个问题：计算机越跑越累，结果却不如人意。于是折中方案出现了——把实际的工艺参数、经验公式加入模型中进行优化，保证仿真结果越来越接近测试结果。
✈️ 飞行模拟器的启示
这就像训练飞行员。早期训练飞行员跟训练驾驶员一样，找个人少的地方直接上车开。但飞行员不能这样——飞行很危险，操作失误哪怕有经验丰富的飞行员在旁边也来不及挽回，机毁人亡。
后来有人发明了虚拟驾驶舱，把动作要领先在陆地上的模拟环境中练习，事故率大大降低。
EDA软件本质上也是这样。制造芯片要流片——把芯片设计图给到工艺厂去制造，整个流程费时费钱。如果每次都要试制，成本非常高，良率也低，烧好多次钱才有可能成功。每一次试错的代价太高。
把大量工作放在电脑上做，就可以帮你规避很多设计问题。而且集成电路无论是模拟电路、数字电路还是传感器，结构都趋向于越来越复杂，工艺制程越来越高级，单位芯片上晶体管和器件数量越来越多，人出错的概率因此增加，甚至不可能一把成。
我原来看过一些公司对外宣称”国产芯片流片一次成功”——我不相信，大概率是逆向设计别人的。你说一次成功，那你敢保证接下来每一次都一次成？谁敢说？
🔍 前仿与后仿：循序渐进的仿真逻辑
电路仿真一般分为前仿和后仿。最大的区别在于：后仿是画完版图之后再提取电路的寄生参数，因此后仿更接近芯片实际硬件的测试结果。
为什么要分前仿和后仿？因为仿真要循序渐进、由易入难。如果上来就仿真很复杂的后仿，纠错时你很难分清——这是寄生参数引起的错误，还是电路结构本身的问题？
所以仿真也是分开进行的：直流仿真、交流仿真、瞬态仿真、温度仿真、蒙特卡罗仿真、电磁场仿真等等。每次单独对某些特性进行仿真，背后的原因在于：人们分析问题时要化繁为简，把复杂的综合参数拆解成一步一步来实现。
🧩 设计电路不是拼乐高
有点像拼乐高玩具——只要零件不坏、按说明书一步步拼，无论多复杂的结构，理论上都是时间问题。
但设计电路不是乐高。乐高的魅力在于你做完第一步，第二步、第三步继续做，前面99步不用改变。 就算第50步拼错了，也可以拆开重拼。
电路设计完全不同。你有20到30个主要性能参数，互相之间是扯皮的——满足了这个，就难以满足那个。
举个最经典的例子：一个简单的闭环运放，它的增益和带宽存在一个参数叫增益带宽积（GBW） ——电压放大倍数乘上带宽，这是一个固定值。这个值一旦固定，意味着放大倍数和带宽是反着来的。
就像收音机：音量很大（放大倍数大），但能收到的电台频段范围减小；频段覆盖范围够了，但声音又听不清。增益和带宽，鱼和熊掌不可兼得。
而且逆向设计有时比正向还花时间——因为你要猜对方怎么想的。成熟产品为了防止别人逆向，会在版图或电路中埋雷——故意设置让你判断错误的结构，提取出来的参数很有可能是错的。
🤖 AI能做什么？从信息调研到多元参数仿真
现在主流EDA软件是三大巨头：Cadence、Synopsys、Mentor（现Siemens EDA）。
以Synopsys为例，AI的引入是由外到内、慢慢融合的。刚开始用AI帮集成电路设计师搜集相关数据——电路工程师虽然经验丰富，但设计新电路时一些基础概念和理论可能生疏，EDA体系太庞杂，谁都不敢保证学的全记住。这本质上跟用AI做舆情分析、搜集感兴趣的新闻是一模一样的——只是初级功能。
后来人们尝试让AI做更专业的事：
版图识别。 版图是你把芯片剖开放大后看到的结构，和电路图不同——电路图是方便设计的抽象图，版图才是跟工艺相关的真实设计图。Synopsys在数字电路版图设计上已经可以帮助实现这方面功能。
多元参数同时仿真。 过去做仿真是一步步来：直流→瞬态→交流→温度。经验丰富的工程师可以跳过一些步骤，或者写一个Perl脚本同时做分析。现在EDA软件自带变量扫描功能——给一个扫描范围和步长，只要工作站算力够，就可以在范围内给出结果。
但单独做到之后，人们提出：能不能让多个参数同时扫描，形成多维变量矩阵？
我试用了国内某款针对模拟电路的AI仿真工具，它可以实现多元参数同时仿真。参数维度方面：本科生毕设一般7-8个参数，研究生10-30个，真正的工程产品可能要加到50个。这些工具实际上都可以做到。
但必须说，目前有瓶颈——算力问题。
🔄 工艺库移植：目前落地效果最好的AI应用
工艺库移植（Porting）是现在工程界最喜欢的、也是落地效果最好的AI应用。
什么意思？你逆向了一个A厂家的电路，但现在能生产芯片的只有B厂家。你需要把A厂家的设计转化成B厂家的工艺库——怎么证明转化成功？仿真要跑通。
这个过程需要人工进行电路移植、调整、重画版图、改版。而AI可以做到：只要提取到电路的网表信息，就可以快速从一个工艺库移植到另一个工艺库。
实际上，大多数工程师设计电路都不是从零到一。几十年的芯片发展早就有大量IP核——前人经验积累的成果。接到甲方需求时，工程师首先到数据库里找最匹配的，有的直接不改就能当新品发货，有的调几个关键参数就能快速搞定。人类设计的范式就那么多，就像有人总结过小说只有70种情节套路。
🎨 美术生画版图：人为因素的启示
说到版图，有一件事可能出乎大家意料——硅谷很多画版图的工程师不是集成电路专业的，而是美术专业的。
美术专业的人有审美观点和艺术完美主义。我在硅谷认识一位女士，画了20多年版图，她就是美术专业的。培训三个月基本就能开始画版图。虽然她不一定很懂电路原理，但审美观点不比任何人差。
很多做电路的人会想”能实现就行，差不多就行”。但搞艺术的人往往有完美主义，把每个产品都当成艺术品去创造——反而能画出性能更好的版图。
这就是人为因素的作用。大语言模型的出现让更多非本专业的人涌入AI研究——数学的、物理的、各行各业的。一些非本专业人的奇思妙想破圈了，这才是大语言模型为EDA软件提供的难得契机。 仅靠堆砌算力和硬件，往往不见得能带来好结果。
🏗️ 数字电路vs模拟电路：AI的分水岭
数字电路的版图设计早就用算法实现了——这已经内建在Synopsys、Mentor这些EDA软件中，叫做综合（Synthesis） 。你用Verilog这样的描述性语言把功能描述下来，软件自动生成版图。
但模拟电路的版图，还是要靠人来做。 包括参数调整，以及什么时候做大刀阔斧的电路结构更换——这种抉择AI给不了你，只有人才能做。而且越有经验的工程师，越能早早预判”这个东西要重新规划”，越早做出判断，设计周期越短，产品竞争力越强。
十年前Google就有位女科学家做了AI辅助芯片设计的尝试——Google的AI芯片TPU（Tensor Processing Unit），围绕着大数据需求设计。AlphaGo、AlphaZero、AlphaFold都是基于TPU做的。他们用AI辅助设计TPU的版图，结论是：一个中级工程师做三个月的事情，AI一个星期就能完成。 这还是近10年前的情况。
现在不用大厂资源了。中等规模的EDA软件——电源管理芯片、保护电路、带隙基准电路——这些晶体管数量较少的电路，AI完全可以在一台中配的AI笔记本电脑上（1.5万到2.5万价位，有足够的CPU/GPU）完成多元参数仿真，速度还很快。
🧠 教AI学电路：从懂操作到懂原理
目前的AI帮EDA做的主要是操作步骤的优化——多元仿真也好、批处理合并也好，AI不用太懂电路，它只是帮你优化流程。
但接下来很多人在做的，是先教会AI学懂电路原理。有人专门开发了电路设计语言（不是Verilog，是另一种），让AI从集成电路设计基础开始，像带学生一样，一步一步学高阶课程，理解设计规则和版图规则。
AI足够聪明的话，这个过程可以大大缩短。等它懂了电路之后，你给它提出要求，它不仅能更准确地执行操作，还可以主动思考帮你调整电路——这才是大语言模型最精彩的地方。
我做了相关试验，结论很惊艳：基本上现在集成电路专业本科生毕业论文所做的所有事情，各种电路，AI都可以替代或部分替代。 我的学生做完后刚开始很开心——毕设轻松搞定了。但紧接着发愁：将来工作时这些活AI是不是做得比我更好？我得赶紧学更高阶的、AI不能替代的能力。
💡 AI的试错能力与人类的抗拒心理
AI还有一种能力比人类强——学习能力和敢于试错的能力。
国内很多工程师同时做三款芯片，起早贪黑，哪有时间学AI？甚至有版图工程师跟我说实话：”我不好意思跟老板说，但我就是不想试——我把AI教会了，它是不是就替代我了？”
这种心态只能阻碍AI发展一段时间。不想试，总有人想试——特别是年轻的新入职工程师，缺乏经验但有干劲，似懂非懂的状态反而更容易有闯劲去尝试新东西。
Flash ADC的设计就是一个例子。当年最早设计Flash ADC的那位工程师，他很拥抱AI，拿AI做尝试就做出来了。而像Sigma-Delta这种高精度ADC，结构复杂，AI暂时还无法完全自主设计——但Flash ADC现在基本上已经可以自主设计了。
🔮 大势所趋：交叉学科与AI协作
现在中型以上的设计公司（几十人到上百人）已经开始内部尝试，甚至自研大模型跟自家软件结合。我带着学生做这方面的尝试，效果非常显著。
黄仁勋说过：未来是机械领域工程师的天下。 这个”机械”不是传统的机械，而是AI+机器人+机械领域的交叉学科工程师——你不仅要懂机械，还要懂软件设计、编程，甚至集成电路和机器人。这种综合素质才是抢手的，但也是不容易达到的。
最重要的是：你要知道如何跟AI协作。 无论是你帮它还是它帮你，将来所有工作一定程度上都是这个属性——单靠一个不行。
台积电早在没有大语言模型之前，就已经对工艺设计参数进行了详细的数据化，做出了数字孪生——开发新工艺时不是直接上生产线调，而是在虚拟世界中先跑工艺仿真，再实际调。这也解释了为什么同一台光刻机，在三星和在台积电的效果确实有差距。
📌 写在最后
设计EDA也好、用EDA也好，我们不能采用静止的观念。我在高校给学生上课都跟大家说：你们不能沿用现有的方式来学了，得加上AI的辅助，甚至要跟AI成为朋友，让它越来越了解你，你的赋能才越来越好。
AI在几乎全行业的工程应用中都在攻城掠地——减轻人类一部分工作量。银行、设计、文案创作、科研都是如此。但我不想因此说成”AI取代人类”——从技术可行性来说，短时间内50年内还做不到。某些领域已经做到了：无人车替代司机、酒店机器人送餐、校园无人配送车，这些都标志着未来的方向。
未来不是AI替代人类，而是会用AI的人替代不会用AI的人。
国内很多团队五年前就已经开始布局和尝试了。如果你对这个方向感兴趣，欢迎评论区留言，我们有机会再聊。