AI芯片设计

人工智能是一个依赖大量计算能力的“能量吸血鬼”。实时运行行为监控、面部识别和对象跟踪等AI应用,需要一个更快、更准确的推理计算系统。为此，大型AI模型必须与数据源密切合作。

二十年前，包括英特尔在内的所有芯片制造商都不得不购买Unix机器（通常是Sparc/Solaris系统），才能够使用EDA设计和测试他们的芯片。后来，英特尔觊觎这块服务器业务，同时抓住了Linux，显然其有强烈的动机将EDA转移到X86平台上。

AI for EDA是未来的发展趋势，国内外都处于研究起步阶段。由于训练机器学习模型需要大量数据，而在EDA领域中缺乏针对AI for EDA任务的开源数据集，导致大多数研究都只能制作小规模内部数据集来完成对方法的验证，难以充分验证机器学习模型的泛化能力，也无法充分利用不同数据集之间的知识迁移能力。

由于数十亿美元已投入AI新创公司，使得初期讨论重点都放在性能上。但是，随着AI训练模型需要更多的计算资源，使得重点工作正在转移到芯片的计算成本之上。也就是说，AI芯片的性价比反而变得更重要了。

英国《自然》杂志9日发表一项人工智能突破性成就，美国科学家团队报告机器学习工具已可以极大地加速计算机芯片设计。研究显示，该方法能给出可行的芯片设计，且芯片性能不亚于人类工程师的设计，而整个设计过程只要几个小时，而不是几个月，这为今后的每一代计算机芯片设计节省数千小时的人力。这种方法已经被谷歌用来设计下一代人工智能计算机系统。

COVID-19疫情造成芯片短缺，以及新技术带来的刺激，使得IC芯片正面临新一波运算架构的转变。

如何突破摩尔定律对半导体设计限制，这一直是许多公司面临挑战。Synopsys公司表示，随着他们开发出的先进AI芯片设计自动化工具，未来全球新型芯片与处理器的开发及创新活动将得以继续。