AI重塑芯片验证

“AI在设计验证中的下一阶段，将由可度量能力而不是试验热度决定”

AI in DV的下一阶段，不会由谁试验得更早来决定，而会由谁能把它变成可度量、可治理、可扩展的验证能力来决定。对验证团队来说，AI最好的位置不是替代工程判断，而是减少重复劳动、暴露风险线索、加速debug闭环，并让工程师把更多时间放在真正影响签核质量的问题上。

AI在设计验证中的角色正在发生变化。它不再只是会议里的概念展示，而是开始进入回归分析、失败聚类、日志摘要、覆盖率分析、调试辅助和知识检索等具体工作流。但对验证团队来说，最重要的问题并不是“AI能不能做点什么”，而是“它是否真的提升了验证能力”。

✦ 1 ✦ 验证不是生产资料，而是建立信心

设计验证的目标，从来不是生成更多测试、更多报告或更多自动化脚本。验证的核心任务是降低功能风险，发现设计缺陷，关闭有意义的覆盖率缺口，并在项目签核阶段提供足够可信的证据。

这也是AI进入DV时必须保持清醒的原因。一个模型可以快速总结回归日志，可以把失败用例分组，也可以从历史文档中检索方法建议。这些能力很有价值，但它们只是局部提效。局部提效并不自动等于验证能力提升。

真正的问题是：AI的输出有没有进入受控流程？有没有被工程师审查？有没有连接到失败根因、覆盖目标、bug系统和签核证据？如果没有，AI可能只是让团队更快地产生更多中间物，而不是更快地降低设计风险。

✦ 2 ✦ 任务加速，不等于能力提升

AI在DV中最容易落地的场景，往往是重复性强、数据量大、可以人工复核的任务。例如回归日志摘要、失败签名聚类、重复失败识别、coverage hole初筛、规范文档问答和debug线索推荐。

这些任务通常消耗大量工程时间，尤其是在大型SoC项目中，回归失败可能成百上千，日志噪声极高，工程师需要反复判断哪些失败是重复问题，哪些是新bug，哪些只是环境问题。

AI可以帮助团队更快完成第一轮筛选。但它的价值不能只用“生成了多少摘要”或“节省了多少点击”衡量。更合理的指标是：失败分类是否更准确？重复分析是否减少？debug循环是否缩短？错误分组率是否可控？工程师是否能更快确认根因？

如果AI让流程更快但更不可解释，反而会削弱验证质量。

✦ 3 ✦ 回归triage是近期最现实入口

在所有AI in DV场景中，回归triage是最具现实价值的入口之一。

大型回归通常包含大量重复失败、相似日志、环境异常和已知问题。传统方式依赖工程师手工筛选，耗时且容易重复劳动。AI可以通过日志特征、失败签名、历史bug记录和测试上下文，把失败用例聚成不同类别，并标记潜在的新问题或高风险问题。

但这里必须设置清晰边界。AI可以提供初步分组和优先级建议，却不能直接替代工程判断。每一个被接受的分类结果，都应该能追溯到输入日志、历史记录、工具版本和人工确认结果。只有这样，AI辅助triage才会从“方便工具”变成“可复用能力”。

✦ 4 ✦ Coverage closure需要判断，不只是数字

覆盖率闭合是另一个高价值场景，但风险也更高。覆盖率并不是简单把数字推到100%。验证团队真正关心的是：哪些功能点已经被有效验证？哪些场景仍未覆盖？剩余coverage hole是否代表真实风险？新增测试是否命中了验证计划中的关键意图？

AI可以帮助分析覆盖率趋势，识别长期未闭合的coverage gap，推荐可能需要directed test的区域，甚至关联设计变更和覆盖率变化。但这些建议必须回到验证计划、功能意图和人工review中。

如果AI只是生成更多测试，却没有把测试连接到coverage intent，那团队可能只是增加仿真活动，而不是真正提高验证置信度。

✦ 5 ✦ Debug辅助要保留工程责任

AI在debug中的价值，主要体现在缩短定位路径。

它可以比较passing和failing run，提取可疑日志片段，关联近期RTL改动，提示可能的断言失败链路，或者把工程师引导到相关历史问题。对于新人或跨模块debug，这类辅助尤其有用。

但debug不是猜谜游戏。AI建议必须被视为“候选线索”，而不是“最终结论”。验证工程师仍然需要通过波形、断言、scoreboard、coverage、spec和RTL行为完成确认。

工程责任不能外包给模型。AI可以减少搜索成本和重复分析成本，但根因确认、bug归属和修复验收仍必须由工程团队承担。

✦ 6 ✦ 治理不是行政负担，而是验证纪律

当AI开始影响验证流程，治理就不再是附加项，而是工程纪律的一部分。

AI使用了哪些数据？模型输出基于哪些日志、覆盖率数据库或历史bug？谁审查了结果？哪些建议被接受，哪些被拒绝？这些记录都应该可追溯。

这对芯片公司尤其重要。RTL、验证计划、仿真日志、coverage数据库、bug历史和设计规范都属于高价值IP。AI in DV如果要规模化，就必须解决数据权限、模型部署、日志留存、审计机制和安全边界问题。

没有治理，AI很难进入真正的项目流；没有度量，AI很难证明价值；没有可追溯，AI更不能靠近签核。

❖ END ❖

《EDA网院》出品 · 与全球工程师一起探索芯片的世界