芯片设计工程师 · 任务逐条

架构与规格

没有记录显示 AI 在决定芯片架构。基准测试都从别人写好的规格出发,厂商工具也是按工程师设定的目标去优化。美国劳工统计局预测,2025 至 2035 年计算机硬件工程师就业增长 9%,远快于平均水平,理由是需要这些人为使用处理器的产品设计部件;它没有提到 AI。

没有记录不等于 AI 在这里帮不上忙;这项预测涵盖的是一个国家的全部计算机硬件工程师,不是芯片架构师。

编写 RTL 代码

模型能写短小的硬件代码,但还写不了完整设计。在 156 道教科书式的题目上,GPT-4 第一次尝试通过 43.5%;在 30 个更大的设计上,它做出 15 个在五次尝试中至少一次能用的设计;在一项由资深硬件工程师出题的较新基准上,最好的模型第一次尝试只通过不超过 34% 的代码生成题。第一项基准的作者写明,它只限于相对小规模设计的样板代码。

这些基准用的是当时的模型;它们检查代码能不能用,不检查是否满足功耗、性能和面积,也没有测量工程师的工作。

验证与调试

验证是 AI 智能体最吃力的地方。由资深硬件工程师出题的那项基准发现,涉及验证和复用已有设计的智能体任务尤其困难。NVIDIA 关于其内部芯片设计模型的论文说,它自己的内部研究发现,一名典型芯片设计者多达 60% 的时间花在调试或核对清单类任务上;它的模型在总结缺陷方面表现相当 —— 这是帮工程师,不是替代核查本身。

这是一项基准和一家公司对其内部模型的叙述;60% 这个数字来自论文没有公开的内部研究。

布图规划、布局与时序收敛

优化工具已在生产中使用,而它们能走多远的说法存在争议。谷歌 2021 年的论文说,它的强化学习方法能在六小时内生成优于或相当于人类的布图;加州大学圣迭戈分校的一项独立复核发现,在大型、宏单元密集的设计上,人类专家在 6 次比较中胜出 5 次,而在一项时序指标上它胜过一种更强的传统算法。Synopsys 说,客户已用它的 AI 设计空间优化工具完成 100 多次商用流片。约束仍由工程师设定,设计仍由工程师收敛。

采用数字来自工具厂商对自家产品的说法,布局方法出自它的开发者;独立复核只测了少数几个设计,都没有测量工程师的时间。

模拟与定制电路设计

模拟设计长期依赖专家直觉,研究工具开始接手其中的搜索。一个用强化学习训练的学术系统在原理图仿真中至少对 96.3% 的测试设计目标满足全部指标,并在 68 小时内设计出 40 个通过版图检查的运算放大器;一个语言模型智能体在作者的基准中设计出 20 个模拟电路,而作者说模型目前还不能设计高度复杂的模拟电路。这些设计是标准电路类型,拓扑和规格仍由工程师来定。

这些是针对标准电路的学术研究;没有显示在商用模拟设计中的使用。

工具脚本与设计流程

这是 AI 帮忙最直接的地方。NVIDIA 为自己的芯片设计人员构建了领域适配模型,论文报告说,其中最大的模型在回答工程问题和生成工具脚本上胜过 GPT-4。

这是一家公司对自己内部模型的评估;没有说工程师的时间改变了多少。