把设计流程中的所有工作都尽量提前，是否更好，还是设计应该更灵活、更具迭代性？

要点：

• AI 代理和数字孪生正在让人们能够更早探索更多设计选项，包括材料、晶体管结构和芯片架构方面的选择。
• 把工作前移并不会消除验证瓶颈。工程师仍然需要确认 AI 生成的设计和替代模型是否准确反映目标硬件。
• “左移”正在变得不那么线性。设计团队或许不必过早锁定规格，而是可以随着新信息出现不断修正架构和实现选择。

在设计到制造流程中“左移”已经讨论了十多年，但随着提升可靠性、良率并加快硅片交付的新能力不断加入，这一话题再次受到关注。Sem代币发行nductor Engineering 围绕这一变化，以及芯片在整个流程中设计、使用和更新方式的持续演变，采访了 Synopsys 战略项目与系统解决方案执行董事 Frank Schirrmeister，Hiveware 业务发展与战略合作副总裁 Ronen Laviv，Silvaco 业务发展副总裁 Jack Berg，以及 Axiomise 创始人兼首席执行官 Ashish Darbari。以下为对话节选。

SE：我们谈论设计到制造流程中的“左移”已经超过十年，但越来越多的能力被加入进来，以提升可靠性和良率，并更快产出硅片。你们看到了哪些变化？

Schirrmeister：我们现在加入了数字孪生，这让“左移”变得非常靠前。

Berg：没错。现在的问题是如何处理多物理场模型。利用这些数据构建替代模型非常重要。随着我们进入更多采用不同材料的技术领域，就必须回到材料科学求解器和物理求解器，获得设计人员可以使用的模型。这种情况正在通常不属于数字设计的领域发生，但随着我们推进到 CFET 层面，它也开始在那里使用。

Schirrmeister：有三个变化。第一，如今借助算力和代理，我们具备了技术能力，可以比我们一生中原本设想的更大幅度地把工作前移。问题在于，这种“左移”是否可信。替代模型是否真能可靠反映实际发生的情况？不能让代理自己来决定这一点。过去做虚拟原型时，会有一个人负责确保模型代表真实情况，并且是准确的。这是第一点，所以信任的含义正在变化。第二，你需要相信左移模型能够对你正在做的事情给出预测。否则，你会因为还得再流片一次而后悔把工作前移了。在高通的一场主题演讲中，发言人谈到了新的“推理鸿沟”。他说，我们过去面对的是生产力鸿沟，但现在是推理鸿沟。他们希望工程师能够对产品进行推理，并把产品做得更好。但工具目前还无法处理推理。第三，是左移选项的快速增加。如果我已经到了可以信任模型的程度，那么我就能做新的事情。在架构层面，我可以做出一个决定，然后启动 n 个选项去尝试，只要模型足够有预测性。

Darbari：左移讨论至少在 15 年前就已经开始了。真正变化的是 AI 和代理式使用模式。到目前为止还没有发生的是，当今 AI 代理中的信任因素。现在有很多优秀的代理使用场景，我们和客户都会用它们去梳理规格。如今很多讨论都转向了“从规格到硅片”，因为人们相信可以从规格文档中提取需求——前提是你有这些文档。但大多数时候你并没有，这就是问题之一。我在形式化验证工作中看到的另一个重大变化是，功能验证现在被视为一个问题，它与安全、功能安全和功耗处于同一层级，而所有硬件都在流向 AI 生态系统，这是最大的投资池。很多公司在第一天就开始做 PPA 分析。例如，我知道有些客户会拿出自己的设计，甚至是旧一代设计，然后说：“让 AI 代理把它重写，优化 PPA。”但我怎么知道它是正确的？我能证明它与别的东西等价吗？因此，半导体领域的大公司——那些预算充足、团队庞大的公司——正在采用代理式 AI 流程，并且高度依赖它到底可信还是不可信。这个信任缺口往往通过尽早采用形式化证明来解决。真正的门槛未必是知识本身，更多是工具能否更无缝地集成进系统。

但如果看是什么在推动更多左移，答案是调试所花的时间。当你在做架构分析并出现故障时，可以把它交给代理。代理会输出大量数据，我们需要在洞察上做更多工作。你是否把时间花在了最有价值的地方？即便结果正确或错误，如果早期采用阶段仍然需要人工复核，那也可能成为巨大的阻碍。随着代理更早被采用，这是否会带来更好的设计、减少缺陷漏出？这还有待观察，我也不认为仅靠左移就能解决这个问题。

Laviv：左移就是识别我们行业中的瓶颈，并思考如何把尽可能多的工作和排期前移到设计和验证周期的更早阶段。如今，代理正向前跃进来提供帮助，但所有发生的事情都会把我们带入新的瓶颈，或者旧的瓶颈，我们都必须解决。

SE：我们有太多内容需要同时审查和验证，这使得把这么多东西前移变得困难，而且在多芯片封装和生命周期管理方面会更复杂。所有这些部分如何协同并保持一致？

Schirrmeister：左移真的是正确的方向吗？左移假设我对自己真正要做什么有充分了解，并且假设我能在六个月、九个月甚至一年后准确说明自己想要什么。也许我们对这个问题的理解是错的。也许我们需要的是一个大致方向，然后在推进到实现选择的过程中，根据获得的信息进行调整。左移意味着你可以在某个魔法般的未来世界里，通过先把东西规格化，一路走到零偏差。但我听到人们实际在做的并不是这样。他们说：“好吧，我在做一个东西，现在借助代理式 AI，我可以构建一个可能代表其中大部分内容的模型。于是我做出决定：这个方案相当直接，在 Arm 处理器上不需要太多工作，或者我可以为它做一个 RISC-V 处理器。”然后我重新设定规格，这有点乱，因为我一开始并没有正确的硬件规格，所以现在我在做调整。更酷的是，我们正接近这样一个时代：可以把左移变成这种新的细化过程。它几乎像一种敏捷式左移。以敏捷的方式，你会根据当前正在做的事情，对稍后发生的微小选择进行调整。

SE：这解决了这些设计中的一个大问题，因为你不知道芯片投放市场时工作负载会是什么。这是一种更通用、强调适应性的做法，对吗？

Schirrmeister：没错，而且过去我们不敢这么做，因为一切都是顺序式的。现在它变得更像一个循环。所以以前是产品经理了解市场，然后说：“我要做这个”，18 个月后你才发现它不奏效。现在你会不断获得新数据，因此可以在细化工作时保持这种敏捷性。

Darbari：我同意，敏捷性带来了很多选择，也带来了很多变化，并不是所有事情都能在一开始就知道，这也是构建任何东西的现实。不过，我并不认为事情有那么模糊。如果你在做一颗新的机器学习芯片，或者 GPU、CPU，你对之前的衍生设计大致会有一些概念。你要玩的总体架构是什么？你不知道的是功耗、功能以及 AI 带来的训练或推理方面的实现选择会是什么。这些都相当新。因此，你需要在每一步都做出多个选择，无论有没有代理。只是代理可以更高效地帮你完成。我不知道的是，这些敏捷代理的结果能否很快协调并被信任。

Schirrmeister：你不会真的让 AI 替你做决定，你也不会信任 AI。然后你还需要进入一个经过验证的模型。

Berg：这是一个非常重要的点。AI 代理不会取代人类。它们实际上相当于初级工程师，需要由懂行的人来审查其工作。敏捷化、并且越来越敏捷的这个概念是真实存在的。还有一种观点认为，流程会做逆向设计。但如果这种逆向设计可以基于多物理场求解器呢？你把替代模型、数字孪生组合起来，然后说：“好，给我一个晶体管，或者给我一颗芯片——甚至到目前这个阶段，给我一颗通过 RTL 的芯片——它能在这些约束和这些正在发生的事情下工作。”结果突然发现是空集，约束过多。那你怎么办？这就是为什么“必须保持敏捷”这一点非常有道理。

Laviv：如果以数字流程为例，如今有虚拟平台、形式化、软件仿真、仿真加速器、FPGA，还有工程师和 AI 引擎。你需要做出调整。如果你在设计 CPU，或者某种有形的东西，并且你可以通过形式化做得更好、更早把更稳定的设计带到桌面上，那么仿真加速器和 FPGA 就可以更早进入验证流程，仿真也是如此。如果你已经通过某种方式解决了形式化、仿真、虚拟原型，甚至流程本身中的瓶颈，那么这将有助于把一切都前移，并让你更早做出更好的决策。这样一来，如果需要改动，你就可以改。

Darbari：验证问题非常严重。我在一些客户身上看到了真实证据，他们实际上正在推倒重来，构建一个从零开始的架构，以便覆盖芯片在不同使用阶段的需求。因此，他们可能会做 CPU、GPU、机器学习芯片，并且真的需要梳理清楚，他们打算构建的东西是否能覆盖所有使用场景。这并不容易，尤其是当你把软件纳入循环时，而软件也不再是 20 年前运行的那一套了。训练、推理、功耗一路回到架构层面，然后你还必须做出这些选择。

Ed Sperling