这些芯片工程师，难被AI取代

公众号记得加星标，第一时间看推送不会错过。

来 源： 内容 编译自 semiengineering 。

人工智能工具的普及似乎完美地填补了人才短缺的空白，但仔细观察就会发现，这些技能并非完全重叠。EDA流程中的某些环节仍然需要人类工程师，而且这种情况在可预见的未来很可能还会持续下去。

模拟设计的深奥艺术、安全关键功能安全的最终定论、高层架构决策、产品创新和创造性问题解决，这些都是人们大放异彩的地方。

尽管有人预测人工智能会全面取代工程岗位，但人工智能对工程岗位的影响更为微妙，这取决于任务的性质、工作的复杂性以及人工智能工具在每个领域的成熟度。

Synopsys产品管理高级总监Anand Thiruvengadam表示：“像模拟设计和概念设计这类富有创意、开放式且与具体情境相关的任务，人工智能很难完全取代。在复杂领域，人工智能更有可能起到辅助而非取代设计师的作用，成为提高生产力的工具，而不是完全的替代品。”

根据Thiruvengadam的说法，以下是以人为中心的任务：

1、架构/概念设计（跨领域）：高层次的架构决策、创新的产品设计和创意方向需要人类的直觉、远见和跨领域的推理能力。

2、架构和规格定义：设定芯片的目标、功能和限制条件需要对市场、客户和技术有深刻的理解。人的洞察力能够确保设计符合业务需求、监管要求和长期战略。

3、模拟电路设计：这需要深厚的专业知识、创造性的问题解决能力以及对各种权衡因素（例如噪声、线性度、匹配度）的深入理解。人工智能工具可以辅助仿真和布局建议，但由于模拟设计的复杂性和与具体应用场景密切相关，实现完全自动化仍然是一个挑战。

4、安全关键型和高可靠性设计决策：任何错误都可能导致灾难性故障。必须由人来验证安全特性、冗余性和容错性。

5、验证签核和质量保证：虽然人工智能可以自动执行许多验证任务，但最终签核需要人工判断来解释结果、评估风险并确保完整性，尤其是在特殊情况和非典型场景中。

6、物理设计收敛和制造准备：关于良率、可制造性和工艺偏差的决策需要专家的专业知识。工程师应监督最终的可制造性设计 (DFM)，批准流片，并评估代工厂的反馈。

7、处理新颖问题和例外情况：无法预见的设计挑战、错误或流程问题需要创造性的问题解决能力和跨学科专业知识，而人工智能无法完全自动化。

未来，一种类似达尔文进化论的人工智能系统或许能够通过随机遍历海量选项，然后选择最佳方案来解决新问题。“我不知道这是否会成为现实，但肯定不会高效，”Cadence公司验证软件产品管理高级总监Matthew Graham表示。 “我们人类工程师就是这样做的。我们会说，‘我需要解决这个新问题。让我想想所有可能有助于我发挥创造力的方法。’我们会在脑海中进行自我选择。沿着一条路走，尝试这条路，如此循环往复。至少目前来看，人工智能还无法做到这一点。”

需要人类：验证、监控和培训

人类工程师需要了解如何将准确有用的知识输入人工智能系统，然后检查输出结果是否正确。

“人工智能不应该对你的工作构成威胁，因为本质上仍然需要人类来验证人工智能所产生的系统是否真的是最优的，”西门子EDA汽车和军工航空混合物理和虚拟系统副总裁David Fritz表示。 “这不仅仅是像大型语言模型那样阅读论文和处理大量PDF文件。并非如此。它需要的是微妙的知识。它指的是，你很可能知道A和B之间存在我尚未察觉的依赖关系。我该如何找到这种依赖关系？你不可能在某份白皮书或博士论文中找到它。工程师对于使系统达到能够为经验不足的人提供实用服务的水平至关重要。他们仍然需要监控系统，并随着技术的进步不断训练系统。工程领域前景光明，但你必须理解人工智能的作用，它不仅仅是为我们的命令行工具提供一个自然语言界面。这占据了目前90%的工作量，但它需要远不止于此。”

验证对于避免代价高昂的错误至关重要，也是设计过程中最耗时、成本最高的环节。但各方面的成本都在上涨。在集成电路制造中，掩模组和流片成本极其高昂。印刷电路板的成本也相当可观。

“风险缓解和上市时间是关键所在，”是德科技高级总监Alexander Petr表示。“你希望在第一次迭代中就做到尽善尽美，从而节省成本并抢占市场先机。假设你选择了一个团队，他们说：‘我们重新设计了整个流程。我们有一个人工智能可以生成解决方案。’你会信任人工智能来取代那些价值数百万美元的项目吗？你必须审视工作流程，并决定在哪些环节引入人工干预。你想在哪些环节加入安全措施？你想在哪些环节加入验证步骤？信任固然重要，但验证也是游戏规则的一部分。如果你遵循这种思路，你会发现你需要的人员更少。但你也在努力弥补技能缺口。我认为不会有任何工作岗位被取代，它们只是会发生变化。人们不再从事设计工作，而是更多地从事验证工作。”

目前，许多新兴创业公司都专注于RTL验证。“看看信号，告诉我信号是由什么驱动的，”Petr说道。 “他们已经开发出了人工智能工具，也用它们进行过流片，但如果你问问人们这些工具的成果，他们会说它们离生产就绪还差得很远。人们还不信任这个系统。建立这种信任需要数年甚至数十年的时间，而且需要经历多次迭代。此外，如果你观察一些人工智能的开发速度，你会发现它们采用的是敏捷开发模式，也就是快速失败、快速重试。人工智能的早期版本往往会出现问题。它们会产生幻觉，会误以为自己做对了。就在不久前，就有一篇文章报道说一个完整的数据库被人工智能删除了。这不是一个好的开始。我们需要重新审视验证输出所需的技能。我们需要弄清楚可以为这些验证步骤开发哪些工具，以及哪些步骤可以自动化。哪些可以重新设计？哪些可以替换？总而言之，从人员配置的角度来看，人工智能并不会改变现状。”

模拟和混合信号设计是一门深奥的学问

模拟设计本身就更加复杂，不仅仅是使用人工智能/机器学习工具解决起来更具挑战性。“模拟领域要难得多，因为世界上的一切都是模拟的，”西门子EDA产品负责人Sathishkumar Balasubramanian说道。“模拟电路非常接近物理学，因此存在抽象概念。数字设计中也存在0、1和X的抽象概念，以及系统、软件等等的抽象概念。”

对于模拟/混合信号电路，人工智能可以用于分析、优化和调试，还可以作为自然语言训练伙伴，帮助降低学习门槛。然而，在转向人工智能工具的过程中，有些东西也随之丢失了。

“我以前会看书，书里会告诉你如何解决这个问题，”Balasubramanian说道。“我们在实验室里做实验，搭建电路，设计电路，最终解决问题，因为我们专注于解决问题本身。但现在的情况是，人们离问题本身越来越远，因为他们试图掌握一个可能帮助他们解决问题的工具。他们试图学习这个工具，学习一门不同的语言，学习一个可能帮助他们解决问题的工具是如何运作的。他们并没有真正关注问题的核心，也就是如何为这个工艺节点设计出最佳的运算放大器或锁相环。”

模拟/混合信号处理变得更加困难，因为工程师们通过定制工具、定制技能和定制数据库增加了复杂性。“我们在一个原本就十分复杂的领域上又增加了一层复杂性，而现在这个领域变得更加复杂了，”Balasubramanian说道。

其他人也认同AMS领域很棘手。“仍然有人把这当成一门艺术，”彼得说。“他们开始手绘。他们进去，看看效果，然后说，‘这看起来不对劲’，这通常意味着，‘它看起来不美观，它不起作用。’这些问题具有一定的维度，而且维度要高得多，因为没有标准，没有既定的规则可以遵循，这主要是因为它是模拟信号。模拟信号比离散的、二进制的信号动态得多，因此在这个领域做到万无一失需要花费更多的时间。”

人工智能公司在应用数学与合成（AMS）领域经常承诺进行合成，并声称合成结果可以由人工智能工具生成。“但如果你深入探究，就会发现他们已经制定了相应的规则，这极大地限制了自由度，”Petr说道。“要想在这些领域拥有目前所具备的自由度，从而实现利用人工智能进行探索、发现和自动化，还需要很长时间。你可以简化问题，尝试解决一个较小的问题。你可以让结果看起来非常令人印象深刻。但这实际上是一个非常有限的范围。”

对于航空航天、国防和汽车等安全关键型应用而言，功能安全工程师尤为重要。“假设我们需要8到10名全职安全工程师，但我们只能找到4到5名。我们尝试用4到5名工程师，并借助机器学习来实现同样的整体效果，” Imagination Technologies公司系统和功能安全工程专家、工程和技术负责人Andrew Johnson说道。“这或许可行，但我建议剩下的这4到5名工程师不能是初级工程师。他们需要是经验丰富的资深首席技术专家，而这类人才很难找到。当引入人工智能时，你需要足够聪明且经验丰富的人来了解模型是什么，它能告诉你什么，以及是否应该否决模型给出的结论。如果你因为经验不足或没有经验而不知道，你只会点头说，‘电脑说可以，所以我们继续。’这可能会非常危险。”

安全关键型应用

航空航天/国防领域受人工智能影响的失业速度可能比其他领域慢。“某些行业由于自身特性，采用人工智能的速度自然会较慢，这其中既有合理的文化原因，也有不那么合理的文化原因，”Cadence公司的Graham表示。“更有可能的情况是，这些工具会适应这些环境。我们必然会开发出一套安全可靠或能够在安全环境下有效运行的人工智能工具，而不是让行业完全忽视它。我认为他们别无选择。”

这些行业必须谨慎行事，但不能忽视不可避免的趋势。“更有可能的是，工具会适应环境，”Graham说。“某些工具及其特定版本会适应环境，而不是环境不采用它们。”

Vibe 编码主管认为，有理由对数字原生代 Z 世代和 Alpha 世代掌握人工智能并找到新角色的能力保持乐观，尤其是那些从小就接触编程的人。“我有一个上大学的孩子，他对人工智能有着非常独特的见解，” Arteris首席营销官 Michal Siwinski 说。 “他对人工智能最终可能会做的那些编程工作感兴趣吗？不，那些编程太枯燥了。都是些底层工作，甚至不需要计算机学位。相反，应该想想如何协调人工智能，如何用它来做更有趣的事情。如何构建机器人系统？如何确定电气、机械等等所有环节需要如何协同工作？这才是真正令人兴奋的新领域，而且才刚刚起步。这将是一个不断发展的过程。我家有两个儿子。他们会编程，而且一直在编程，但他们的想法是，他们不一定要写出能上传到GitHub上的东西，因为GitHub上已经有了。编程仍然非常重要。”

另一些人则警告说，无人监督的人工智能代码存在危险。“我自己也经常陷入完全依赖人工智能的陷阱，” ChipAgents的创始人工智能工程师 Daniel Rose 说。“如果你完全依赖人工智能，它有时确实有效，但也会有一些时候它出现故障，导致一些你无法解决的问题，除非你真正了解后台运行的机制，了解编程语言的工作原理。你必须理解你生成的代码。只不过，人工智能可以帮助你比你自己更快地生成代码。”

Vibe 编码利用人工智能根据自然语言提示生成功能性代码，这种技术正日益流行，但它仍不完美。“人工智能确实会犯错或产生错觉，你需要具备领域专业知识和理解力，才能确保生成的代码可行且能完成预期功能，”Baya 公司的 Nayampally 表示。“这一代迭代速度更快，所以你也必须加快速度，但与此同时，你也要从更高的层面思考你需要完成的任务。”

结论

人工智能/机器学习正在半导体设计领域取得进展。至于哪些任务可以交给人工智能来完成，则取决于各个设计团队和设计基础设施管理部门的决定。

人工智能最容易接管的任务包括功能验证、回归测试和覆盖率分析，这些任务的自动化程度越来越高。“人工智能工具可以生成测试平台、预测覆盖率漏洞，甚至提出新的测试场景，”Synopsys 的 Thiruvengadam 指出。“这是因为这些任务基于规则、重复性高，并且涉及大型数据集，因此非常适合人工智能自动化。此外，自动化布局布线工具已经相当成熟，而人工智能增强的工具正在进一步提高效率。常规的数字布局任务也正变得越来越自动化。”

最后，在最糟糕的情况下，如果电网、互联网和人工智能系统长期瘫痪，而我们只剩下只会使用人工智能的劳动力，那该怎么办？“停电的可能性始终存在，”ChipAgents公司的罗斯说道，“我们在世界各地都看到过这种情况，所以我们需要一些不完全依赖人工智能、即使没有人工智能也能完成工作的人。”

Cadence公司的格雷厄姆认为人类总会找到办法。“我是个乐观主义者，但我并不认为这种情况会发生。不过，需求确实是发明之母，如果我们真的身处那种境地，我们也一定会发明出解决办法。”

最后，正因为人们学会了如何学习，他们才能回溯过去，理解各种过程是如何发生的。“如果合成的概念突然从地球上消失，我们说，‘我们只能通过手工制作才能得到真正的面具’，我们也能找到解决办法，”格雷厄姆说道。“我们具备这种能力。不仅如此，我们还拥有迄今为止积累的所有数据。我们不再像第一次那样通过反复试验来发现它。我们曾经到达过这里，我们绝对可以再次到达这里，聪明的人就是聪明的人，无论他们的起点在哪里。”

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

今天是《半导体行业观察》为您分享的第4211期内容，欢迎关注。

加星标第一时间看推送，小号防走丢

求推荐