文章|半导体产业纵横2022年，人工智能的创造能力多次突破圈层。
通过输入关键词，AI可以创作出成熟的作品；现在ChatGPT不仅可以对话，甚至可以编写程序。
当人工智能掌握编程语言时，人类似乎可以控制自己的 DNA 编码。
从AI绘画到时下流行的ChatGPT，人们惊叹于人工智能的学习能力。
既然AI已经具备了“创造”的能力，那么它能否胜任芯片设计呢？除了设计流程之外，人工智能还可以应用在芯片行业的哪些方面？芯片产业会进入“无人”时代吗？人工智能芯片设计的两种思路。
首先我们来说说人工智能能否“创造”芯片。
事实上，人工智能在芯片设计中并不是一个新概念。
2000年代中期，机器学习已应用于SPICE仿真器的蒙特卡罗仿真，从而节省了电路设计人员的时间和精力。
如今，随着AI技术和芯片设计领域的同步深入研究，两者的结合有了更多的可能性。
人工智能在芯片设计中的应用有两种思路。
首先是让人工智能真正意义上设计电路图。
Google团队在2021年发布了论文《A graph placement methodology for fast chip design》，团队提出了一种用于芯片布局规划的深度强化学习方法。
在不到六个小时的时间内，人工智能自动化的芯片布局规划在关键指标（包括功耗、性能和芯片面积）上优于或匹配人工生成的布局规划。
在此过程中，研究团队将芯片布局规划视为强化学习问题，并开发了基于边缘的图卷积神经网络架构。
把芯片布局想象成围棋棋盘，把宏模块想象成棋子，通过内部大量数据样本的预训练，最终超越了人类的布局规划。
研究团队表示，该团队的方法被用来设计下一代谷歌人工智能加速器，有潜力为每一代新一代产品节省数千小时的劳动力。
除了谷歌之外，英伟达也在研究利用人工智能来设计芯片。
NVIDIA表示，Hopper GPU架构拥有近13000个AI设计电路示例。
与第一个想法相比，第二个想法更像是“曲线”AI，即利用人工智能技术让芯片设计软件EDA更加“智能”。
EDA公司Synopsys推出了DSO.ai（设计空间优化），这是一款使用最新机器学习技术来搜索设计空间的软件。
具体来说，芯片设计是一个具有多种可能性的解决方案空间，而搜索这个巨大的空间是一项极其劳动密集型的工作，通常需要数周才能完成，并且通常依赖于过去的经验和团队知识。
作为指导。
DSO.ai 可用于优化芯片设计工作流程的输入参数和选择，以满足特定项目的确切需求。
此功能的第一个典型应用领域是优化设计步骤和基本工具设置。
开发人员可以使用 DSO.ai 在设计过程中搜索许多其他输入选项。
例如，DSO.ai可以微调库单元以提供最佳频率或最低功率；使用现有的平面图并最小化芯片尺寸；确定什么高工作电压可以实现功耗和性能之间的最佳平衡；自定义时钟结构或配电网络探索不同的效果等等。
北京大学集成电路学院研究员林一波表示：“AI for EDA是一条全新的技术路线，目前国内外的研究还处于起步阶段，工业界和学术界都在积极布局。
一种有望突破现有EDA软件瓶颈的方法。
尖端技术。
”北京大学集成电路学院创建了第一个致力于人工智能辅助芯片设计（AI for EDA）应用的开源数据集——CircuitNet，可以为EDA相关研究提供数据支撑。
人工智能“制造”芯片 人工智能不仅在设计过程中找到了一席之地，还在芯片制造过程中发挥了价值。
人工智能在半导体行业具有巨大的价值潜力。
晶圆厂和封测厂加大了产能建设，评估将人工智能和机器学习融入芯片制造是否能带来更大的效益。
在台积电，机器学习用于实现自动缺陷分类（ADC）并保持高级缺陷分类识别的准确性。
2020年，一位负责先进技术业务开发的台积电高管透露，台积电已经开始在芯片生产过程中使用人工智能和机器学习技术进行数据处理。
这位高管表示，生产的芯片越多，我们能从中学到的东西就越多，我们就会知道哪里可能出问题，新材料或设备会在哪里出现意想不到的问题，就会有更多机会。
消除这些问题并简化流程。
这位高管表示，台积电在其设备中部署了大量传感器，以确保可以收集任何有用的数据，并利用人工智能和机器学习将数据转化为相关信息，以提高芯片产量。
他们从不浪费任何一个学习机会。
台积电整合智能移动设备、物联网和移动机器人，结合智能自动物料搬运系统，加强晶圆生产数据的收集和分析，有效利用生产资源，最大化制造效率。
封装测试大厂日月光还引入AI设备预测技术，尽快提供最佳参数，提高先进工艺的精度和良率。
工研院电子光电系统研究所所长张世杰表示，工研院的AI人工智能设备预诊断技术可以直接诊断生产线上的缺陷，还可以建立完整的数据库，解决传统的人工检测错误或不均匀的问题。
品质问题。
通过足够的数据和人工调整，这些机器算法可以快速且极其准确地识别和分析图像，而无需工程师不断地教机器缺陷实际上是什么样子。
总的来说，人工智能设备预诊断技术将有助于显着缩短解决问题的时间，同时还能提高半导体工艺的良率，加快产品的上市时间。
此外，人工智能还可以在库存和零部件优化、定价和促销、客户服务分析以及职能部门的销售和需求以及仓库中发挥作用，以重新定位和跟踪物品或更复杂的流程。
例如，台积电集成人工智能、机器学习、专家系统和先进算法，构建智能制造环境。
智能制造技术广泛应用于调度调度、人员生产率、机器生产率、过程和机器控制、质量控制和机器人控制等领域，从而有效提高质量、生产率、效率和灵活性，同时最大限度地提高成本效益，加速整个行业的创新。
木板。
人工智能还不是万能的。
围绕人工智能，人们经常讨论AI是否会取代人类的价值。
人工智能在芯片制造过程中的应用更像是一个“辅助”，在保证精度和速度的同时做了大量的工作。
不可否认，人工智能在这方面的成本效益可能已经超过了人类。
然而，人工智能在芯片设计过程中还无法取代人类。
在芯片设计过程中，人工智能仍然存在很多局限性。
芯片设计涉及的许多任务无法自动化，因此仍然需要专家设计人员。
NVIDIA负责相关研究的首席科学家表示，即使有了AI的帮助，工程师仍然需要大量的专业知识，因为增强的算法有时会以不可预测的方式运行。
如果工程师未能发现这些错误，则可能会导致设计甚至制造问题。
这是一个代价高昂的错误。
对于DSO.ai是否会成为芯片设计的“一键完成按钮”，新思科技产品工程总监表示，真正的能力还是掌握在开发者手中。
DSO.ai 没有使用有限的手动搜索方法，而是自动化搜索过程，并让用户决定要关注哪些空间。
未来的开发人员将能够使用人工智能以更高的抽象和处理能力水平完成设计过程。
开发人员的角色将不再是安排和运行实验，而是引导 AI 技术关注哪些设计空间，并最终凭经验确定要实现的目标。
这样，开发人员可以花更多时间分析具体问题，并对预期结果做出更好的权衡。
人工智能短期内无法取代人类的另一个原因是它的成本。
使用人工智能通常很昂贵，因为它需要大量的云计算能力来训练强大的算法。
但随着计算成本的下降和模型变得更加高效，人工智能将变得更容易获得，这在未来可能不是一个大问题。
无芯片时代还没有到来。
人工智能可以通过自然语言与人类交互；识别银行欺诈并保护计算机网络；在城市街道上行驶；并玩复杂的游戏，如国际象棋和围棋。
人工智能正在为我们周围的许多复杂问题提供解决方案，但创造真正的新事物需要一些时间。
麦肯锡研究报告显示，2021年半导体领域的AI/ML将创造70亿美元的价值，占芯片收入的10%。
预计将上升至设备收入的20%，到2025年将达到900亿美元。
其中，人工智能整个芯片制造流程带来的效益也将达到整体的40%。
不过，目前来看，人工智能还处于服务人类、辅助人类完成一些更简单、更精简的任务的阶段。
如上所述，即使可以帮助缩短芯片设计时间，人工智能发挥的作用是在大量数据库中优化搜索，而不是开发最优解决方案。
可以说，在一段时间内，人工智能仍将是一个“工人”而不是科学家。