一如，有的EDA工具利用生成式AI平臺和大語言模型，對從RTL（寄存器傳輸級）到GDS（圖形數據系統）的芯片設計流程進行自動優化，使其比手動迭代實現更好的PPA（功耗、性能和面積）。

二如，利用AI幫助工程師同時快速優化多個模塊的流程，并能將這些知識成果用于下一個設計。

三如，當選擇更先進工藝迭代產品時，AI工具可通過學習完成相應工藝節點的慣常工作，而工程師只需要做部分優化工作即可。

……

記者在采訪中了解到，上述采用AI技術的工具軟件助力芯片設計效率實現了極大的提升。國內某EDA知名企業在接受采訪時表示：“我們的工具采用AI技術后，生產效率實現了很大的提升。有些原來需要做10個小時的工作，現在1個小時就能完成。”

行業大模型不成熟

AI對EDA工具的助力，目前以輔助性為主，還遠遠稱不上顛覆性。

大模型在EDA行業的應用，仍有待時日。

在采訪時，記者了解到一個典型的案例：業界普遍希望能夠通過生成式AI技術自動生成芯片設計前端所需的RTL代碼。目前這項工作很依賴工程師的能力，如果負責相關項目的工程師寫的代碼質量不好，就可能對項目推進產生負面影響。由此相關公司考慮，是否可以利用AIGC技術來提高該環節的代碼質量穩定性。

但相關企業投入研發兩年，截至目前，該功能仍無法實現。

其中最核心的問題，在于能夠用于人工智能訓練的數據量不夠。

模型的訓練需要巨量數據作為基礎，沒有足夠的數據量支撐，模型的可靠性將存疑。大模型還沒有在EDA行業普及，缺少足夠的數據量供模型訓練便是最核心的原因。對于各EDA和芯片設計企業而言，數據是最敏感、最機密的內容，沒有企業愿意冒著泄密的風險共享數據資源。這樣一來，EDA行業即便存在模型，也只能靠一家企業依賴內部數據來做，缺乏普適性性和可靠性。

針對這一問題，Cadence副總裁、中國區總經理汪曉煜在接受采訪時也曾發出這樣的疑問：“如果沒有足夠的數據做訓練，這個所謂的‘大模型’會好用嗎？客戶敢用嗎？”而在他看來，如果功能無法大規模上線，永遠停留在實驗室版本，那么該產品對企業來說便沒有太大的意義。

大模型的技術底層邏輯也與追求高精度的EDA行業特點不夠契合。在EDA行業，計算是工程師工作中非常核心的工作方法之一，但AI擅長的是推理，而推理的結果很難實現絕對精準。

目前，探索AI技術、嘗試采用AI技術解決現實問題仍然是所有EDA企業的努力方向。但從實操的角度來看，想使AI在畫版圖等方面充分發揮其作用，還需要過程。

AR眼鏡迎來市場拐點？

作者丨姬曉婷

編輯丨張心怡

美編丨馬利亞

監制丨連曉東