文|半導體產業縱橫
2022年，人工智能的創作能力多次破圈。
輸入關鍵詞，AI就可以做出成熟的作品；現在ChatGPT不但可以對話甚至可以寫程序了。當人工智能掌握了編程語言，這設定看起來像人類可以操控自己的DNA編碼。從AI作畫到如今爆火ChatGPT，人們驚嘆人工智能的學習能力。既然AI已經具備了“創作”的能力，那是否可以勝任芯片設計呢？除了設計環節，人工智能還可以應用在芯片產業的哪些環節？芯片產業會進入“無人”時代嗎？
人工智能設計芯片的兩種思路
首先來談談，人工智能能不能“創作”芯片。其實AI在芯片設計不是一個新的概念，2000 年代中期，機器學習已應用于 SPICE 仿真器的蒙特卡洛仿真，從而節省了電路設計人員的時間和精力。如今，隨著AI技術和芯片設計領域的研究同步深入，兩者的結合有了更多的可能性。
人工智能在芯片設計中的應用有兩種思路，第一種是真正意義上的讓人工智能去設計電路圖。
谷歌團隊在2021年發布論文《A graph placement methodology for fast chip design》，該團隊提出了一種用于芯片布局規劃的深度強化學習方法。在不到六個小時的時間內，人工智能自動生成的芯片平面圖在關鍵指標（包括功耗、性能和芯片面積）上優于或可與人類生成的平面圖相媲美。在這一過程中，研究團隊將芯片布局規劃作為一個強化學習問題，并開發了一種基于邊緣的圖卷積神經網絡架構。將芯片版圖看作圍棋棋盤，將宏模塊看作棋子，通過在大量內部數據樣本上預訓練，最終超越了人類的布局方案。該研究團隊稱團隊的方法被用于設計下一代谷歌的人工智能加速器，并有可能為每一代新產品節省數千小時的人力。
除了谷歌，英偉達也在研究使用AI設計芯片，英偉達表示Hopper GPU 架構擁有近 13,000 個 AI 設計電路實例。
相對于第一種思路，第二種思路更像是“曲線”AI，即通過人工智能技術讓芯片設計的軟件EDA變得更“智能”。
EDA企業Synopsys推出了DSO.ai（設計空間優化），這個軟件借助最新的機器學習技術搜索設計空間。具體來說，芯片設計是一個可能性很多的解決方案空間，搜索這個巨大的空間是一項勞動密集程度極高的工作，通常需要多個星期才能完成，而且往往要依靠過去的經驗和群體知識作為指導。DSO.ai可用于優化芯片設計工作流程的輸入參數和選擇，以滿足特定項目的確切需求。這種能力的第一個典型應用領域是優化設計步驟和基礎工具設置。
開發者可以使用DSO.ai搜索設計過程的其他許多輸入選項。例如，DSO.ai可以微調庫單元以提供最佳頻率或最低功率；采用現有平面圖并盡量縮小芯片尺寸；確定多高的工作電壓會實現功耗與性能的最佳權衡；在定制時鐘結構或者電源分布網絡探索不同效果等等。
北京大學集成電路學院林亦波研究員表示“AI for EDA是一條新技術路線，目前國內外的研究均處于起步階段，且產業界和學術界都在積極布局，是有望突破現有EDA軟件瓶頸的一種前沿技術。”北京大學集成電路學院已經創建了首個致力于人工智能輔助芯片設計（AI for EDA）應用的開源數據集——CircuitNet，這可為EDA相關研究提供數據支持。
人工智能“做”芯片
人工智能不僅在設計環節找到了一席之地，在芯片的制造環節也已經發揮價值。人工智能在半導體行業具有巨大的價值潛力，晶圓廠和OSAT紛紛加大產能建設，并評估將人工智能和機器學習介入芯片制造，能否帶來更大的效益。
在臺積電，機器學習被用來實現自動缺陷分類（ADC），并保持高級缺陷分類識別的準確性。2020年臺積電負責先進技術業務發展的一名高管就透露臺積電已開始利用人工智能和機器學習技術，用于芯片生產過程中的數據處理。這名高管表示，生產的芯片越多，從中學到的就能越多，就能知曉哪兒容易出問題，新材料或設備在哪一環節會出現意想不到的問題，就有更多的機會消除這些問題并簡化流程。這名高管表示，臺積電已在他們的設備中部署了大量的傳感器，確保任何有用的數據都能被收集，他們利用人工智能和機器學習將數據轉化為相關的信息，改善他們的芯片生產，他們不浪費任何一個學習的機會。臺積電通過整合智能化行動裝置、物聯網和移動式機器人，結合智能自動物料搬運系統，以強化晶圓生產資料收集與分析、有效利用生產資源，發揮最大制造效益。
封測大廠日月光也引入AI設備預測技術，以最快速度提供最佳參數，提升先進制程精準度與良率。工研院電子與光電系統研究所所長張世杰表示，工研院的AI人工智能設備預診斷技術，可在產線直接判讀瑕疵，更可建立一套完整的資料庫，解決傳統人為檢查失誤或品質不均問題。
有了足夠的數據和人工調整，這些機器算法可以快速且極其準確地識別和分析圖像，而無需工程師不斷地教機器缺陷究竟是什么樣子。總的來說，人工智能設備預診斷技術將有助大幅縮短解決問題時間，同時可提升半導體制程良率，并加速產品上市時程。
除此之外，人工智能還可以在職能部門的庫存和零件優化、定價和促銷、客戶服務分析以及銷售和需求發揮作用，也可以在庫房中實現重新定位和跟蹤項目或更復雜的流程。例如，臺積電整合了人工智能、機器學習、專家系統和先進演算法，以建構智能制造的環境。智能制造技術被廣泛地應用在排程與派工、人員生產力、機臺生產力、制程與機臺控制、品質控制，以及機器人控制等方面，從而有效提升品質、生產力、效率和彈性，同時最大化成本效益，并加速全面創新。
人工智能尚未無所不能
圍繞人工智能，人們常常會討論的話題就是AI是否會取代人類的價值。人工智能在芯片的制造環節的應用更像是個“輔助”，干著大量的工作，又能保證準確率和速度。不可否認的是，在這一環節人工智能的性價比可能已經超過了人類。不過，在芯片設計環節AI還不能取代人類的地位。
在芯片設計環節中，人工智能仍有許多局限性。芯片設計中涉及的許多任務無法自動化，因此仍然需要專業的設計人員。英偉達負責相關研究的首席科學家表示即使有了AI的幫助，工程師仍然需要大量的專業知識，因為強化算法有時會以不可預測的方式運行，如果工程師未能發現這些錯誤，可能會導致設計甚至制造中代價高昂的錯誤。對于DSO.ai是否會成為芯片設計的“一鍵完成按鈕”，Synopsys產品工程總監表示真正的能力仍然掌握在開發者手中。
DSO.ai并非通過有限的手動搜索方式，而是將搜索過程自動化，同時由用戶決定關注哪些空間。未來的開發者將能夠借助人工智能，以更高的抽象水平和處理能力完成設計過程。開發者的角色將不再是安排和運行實驗，而是指導人工智能技術關注哪些設計空間，以及最終根據經驗確定要實現什么目標。這樣，開發者可以將更多時間用于分析具體問題，并對預期結果做出更好的權衡。
AI短期不能替代人類還有另外一個原因就是它的成本問題。使用 AI 往往很昂貴，因為它需要大量的云計算能力來訓練強大的算法。但隨著計算成本的下降和模型變得更加高效，AI會變得更容易獲得，在未來這可能不是一個大問題。
芯片無人時代還未到來
人工智能可以通過自然語言與人類互動；識別銀行欺詐和保護計算機網絡；在城市街道上開車；玩國際象棋和圍棋等復雜游戲。人工智能正在為我們周圍的許多復雜問題提供解決方案，但創造真正的新事物，人工智能還要一段時間。
據McKinsey研報，半導體領域的AI / ML在2021年創造了70億美元的價值，占芯片收入的10%，預計到2025年將上升到設備收入的20%達900億美元，其中，人工智能在整個芯片制造過程中帶來的收益也將達到整體的40%。不過眼前來看，人工智能還處于為人類服務，輔助人類完成一些更加簡單、流程化的任務的階段。如前文所說，即便是能夠幫助縮短芯片設計時間，人工智能發揮作用的環節是在大量的數據庫中優化搜索，而非去開辟一個最優解。可以說，在一段時間內，人工智能仍是個“打工人”而不是科學家。