人工智能正在改變IP供應商

公眾號記得加星標??，第一時間看推送不會錯過。

人工智能正逐漸成為知識產權開發商日常工作的一部分，他們負責構建、驗證、打包、支持和銷售可重用的設計模塊。人工智能也在改變知識產權的功能、創建、驗證和管理方式，以及其查找、許可、重用和長期支持的方式。

人工智能正在幫助團隊編寫和審查RTL代碼、生成測試用例和文檔、更快地調試問題、組織元數據，并使其他工程師更容易找到和使用IP。然而，它并不能取代基于深厚工程經驗的專家判斷。開發人員仍然需要理解設計意圖、審查人工智能生成的代碼、完善驗證流程，并確保IP具有足夠的可靠性以應用于實際芯片。

最大的變化在于，知識產權開發正從完全人工操作轉向在技術和商業知識產權生命周期的各個階段，利用人工智能輔助流程進行指導、驗證和改進。可定制知識產權的爆炸式增長便是這一轉變的明顯體現。

西門子EDA人工智能與Solido產品負責人Sathishkumar Balasubramanian表示：“主要原因是，過去IP開發耗時最長的環節是從規范到RTL的生成、調整和驗證。而現在，隨著人工智能（尤其是智能體人工智能）的不斷創新，大部分創新都集中在RTL代碼生成以及如何加快調試和驗證速度上。因此，我們看到更多類型的IP涌現，這確實有助于IP供應商在不犧牲資源或時間的情況下，針對不同的應用場景定制IP。”

過去，工程師們為了走捷徑，會在代碼頂部添加一個軟件層。但有了人工智能，他們可以更快地生成更好的RTL代碼，然后在前端進行驗證。

“目前的趨勢是能夠以更少的資源和計算能力提供不同類型的IP，”Balasubramanian說道。“IP的配置更加復雜，人工智能讓開發者能夠輕松調整IP之間的相互匹配以及應用場景。這是前端方面。人工智能在后端也發揮著重要作用。我們現在看到芯片組（chiplet）的數量大幅增加，而過去我們一直擔心無法混合搭配不同的工藝節點。人工智能的出現解決了這個問題，因為在開發芯片組并進行布局規劃時，后端要復雜得多。如何實現盈利？如何為集成電路設計凸點陣列？人工智能可以幫助開發者找到更好的配置方案、開發更好的后端設計，并創建更好的實現方案，直至封裝級別。你可以把它想象成一個加速器，幫助你更快、更好地完成工作。這意味著你可以開發更多的IP。此外，你還可以基于芯片組將相同的IP封裝到不同的封裝中，從而將其銷售給更多的客戶。”

知識產權種類的不斷擴展也帶來了其他問題——如何確保每個版本都保持最新、易于發現且隨時可以重用。人工智能正是在這里開始發揮作用，它不僅可以加速設計，還可以作為知識產權的生命周期管理層。

人工智能已嵌入知識產權生命周期管理中

人工智能是知識產權在其整個生命周期中進行管理、打包和發現的推動因素，而不是簡單地附加到現有流程上的工具。

IC Manage首席執行官Dean Drako指著人工智能驅動的IP封裝說：“我們添加了很多人工智能，但現在我們專門為這個IP生命周期管理組件添加了人工智能。它可以自動更新IP封裝以及所有相關信息，方便工程師使用。”

在人工智能出現之前，這是一個繁瑣且容易出錯的手動過程。“這完全關乎系統的生命周期管理部分，因為目標是確保知識產權在不同項目和團隊之間流轉時始終處于可生產狀態，”德拉科說道。“借助人工智能驅動的知識產權發現，它可以找到你想要的知識產權，并確保它具備所需的一切。”

綜上所述，這些能力使人工智能成為當今芯片設計中持續維護知識產權健康、重用和可發現性的基礎設施層。

驗證 IP 正朝著 AI增強型驗證的方向發展

AI在 IP領域 最早的應用案例之一就是驗證。雖然這看似有悖常理，但驗證 IP 比以往任何時候都更加深入地融入到驗證流程中。Synopsys 產品管理總監 Varun Agrawal將 AI 描述為與 VIP 并行運行的“第二供應商”，就像一個虛擬驗證合作伙伴。他表示：“智能 AI 可以作為第二個并行供應商，與你合作的主要供應商一起增強你的驗證能力。”

如今最顯著的影響體現在團隊如何將規范轉化為有意義的測試用例上。面對一份內容詳盡的協議規范，人工智能可以幫助解讀文檔，并自動生成與規范緊密相關的測試場景和有效載荷。“我首先看到的是規范的相關性，”Agrawal說道，“如果我有了這份規范，如果我要編寫一些測試場景，或許我可以自動生成一個測試場景。它的合規性如何？在有效載荷生成方面，智能體人工智能在驗證方面發揮了重要作用。如何才能快速獲得與我要驗證的內容相關的有效載荷？”

其他關鍵問題是，您是否能夠生成測試，以及您能夠多快地達到對協議行為的足夠深度和覆蓋范圍。

隨著芯片尺寸越來越大、結構越來越復雜，如何搭建驗證環境成為另一個關鍵痛點。成千上萬個模塊、多個虛擬接口 (VIP) 以及復雜的互連，使得芯片組裝成為一項艱巨的工程任務。Agrawal 認為人工智能可以在此發揮協調作用。“我認為人工智能能夠發揮巨大作用的第二個方面是芯片組裝。我的芯片現在有 1000 個組件。我該如何搭建一個能夠滿足如此龐大需求的驗證基礎設施？人工智能的作用就在于協調驗證基礎設施。”

調試和覆蓋率提升是人工智能的另一大主要應用領域。現代驗證方法會產生海量的日志、跟蹤信息和覆蓋率數據。最終，人工智能可以借助多個協同工作的智能體，幫助用戶更快地進行調試、根本原因分析，并確定下一步工作的優先級。“人工智能的優勢在于調試，”Agrawal說道，“它能夠幫助用戶實現覆蓋率目標、進行根本原因分析，并加快調試速度。”

因此，VIP、測試平臺和基礎設施不會消失，但人工智能可以幫助知識產權開發團隊從他們已有的資源中獲得更多價值。

Synopsys 將這些理念應用于其內部 VIP 開發流程，用于讀取規范、制定測試計劃并生成大量代碼。不過，這些輸出結果仍需由資深領域專家進行審核和完善。

“我們把人工智能視為與我們并行的供應商，人工智能會查看規范，提出自己的觀點，并制定測試計劃，”阿格拉瓦爾說。“然后，我們還有擁有20多年行業經驗的專家。他們會審核并完善這些計劃。接下來，我們進入代碼生成環節。部分代碼由人工智能生成。專家們會再次進行驗證，確保設定正確的里程碑和關鍵績效指標，從而保證更高的質量水平。”

人工智能的快速發展給知識產權開發團隊帶來了巨大壓力

邊緣計算的快速部署更是加劇了這一挑戰。在某些垂直市場，人工智能的發展速度如此之快，以至于即使是構建底層知識產權的人員也難以跟上。在這些領域，人工智能正在積極地重塑知識產權在其整個生命周期內的設計、工具開發和維護方式。

傳統上，廠商銷售可綜合IP時主要依據性能、功耗和面積規格。這些規格固然重要，但在人工智能驅動的世界里，它們已遠遠不夠。關鍵不僅僅在于原始計算能力，更在于新模型能在量產芯片上快速高效地運行。

Quadric 首席營銷官Steve Roddy表示：“對客戶而言，新車型的上線效率和速度至關重要。人們迫切希望盡快獲得最新、最好的車型，并將其部署到平臺上。當車型發生變化時（而且你知道它們肯定會變化），新車型能以多快的速度部署到目標平臺？作為OEM廠商，我可以自己完成嗎？還是需要找其他人來移植？”

以芯片組形式存在的強化型IP帶來了其他挑戰，尤其是在2.5D封裝中，芯片組用于提升性能并提供更大的設計靈活性。在這些器件中，信號需要傳輸的距離比在單個SoC上更長，因此設計重點更多地放在功耗和性能而非面積上。

SignatureIP首席執行官Purna Mohanty表示：“芯片組的可擴展性不僅體現在芯片間，還體現在芯片間以及機架間的。我們需要確保我們的基礎IP在帶寬、延遲和功耗方面都針對規模化進行了優化，而不僅僅是考慮設備數量。它們需要從底層進行微架構設計，并在功耗、性能和面積之間取得平衡。”

芯片組的微架構可能非常復雜。這些芯片組之間的交互需要精心協調。“這是一個三維問題，”Mohanty說道。“基礎設計是RTL代碼，微架構也是RTL代碼。但你還需要控制RTL代碼，并且需要一個工具來控制它的配置。因此，由于RTL代碼中包含了所有功能，這些工具變得非常復雜。”

人工智能能夠顯著加快這一進程。隨著模型的不斷發展和變化，邊緣IP正被卷入一個良性循環：更高的效率能夠支持更苛刻的人工智能工作負載，而這反過來又會推動下一代IP的出現。

“隨著這些應用的出現，它們對計算能力的要求也越來越高，” Cadence公司Tensilica DSP部門總監Amol Borkar表示，“但計算能力也意味著功耗。這就形成了一個惡性循環。我們不斷改進處理器以提高效率，但這種效率的提升也催生了對新應用更高的要求。為此，我們不得不開發新的處理器，如此循環往復。”

編譯器和工具鏈的

持續迭代會將IP模塊的痛點擴散到其周圍的整個開發環境。由于AI模型的更新速度遠超芯片，編譯器和工具鏈對于保持IP的可用性、靈活性和競爭力變得日益重要。

Cadence公司NPU加速器和SDK產品營銷總監Jason Lawley表示：“客戶最重要的模型往往是他們不愿分享的。從客戶的角度來看，有兩個重要的模型。第二個最重要的模型是他們可以提供給我們的模型。但對他們來說，第一個也是最重要的模型是他們無法分享的。這是他們的獨門秘方。”

編譯器正是在這里發揮作用。“對于軟件和編譯器來說，能夠將我們無法看到、也無法訪問的網絡進行編譯和降級，使其在任何運行的硬件上都能以最佳方式工作，這一點至關重要，”勞利說道。“隨著這些模型的演進，編譯器必須跟上網絡和運營商的步伐。這極具挑戰性，極其重要，而且成本極高。”

這也很關鍵，時間緊迫。Quadric公司的Roddy指出，IP供應商不能成為模型更新的瓶頸。“沒有哪個下游OEM廠商愿意依賴整機制造商、芯片制造商，或者更糟糕的是，依賴三層IP授權商來移植新模型。工具必須萬無一失。汽車公司及其數據科學家必須能夠高效地部署他們新更新的算法。它必須能夠輕松高速運行，而無需簽署12層保密協議。”

博爾卡爾強調了這種模型更迭的頻繁程度。“模型變化非常快——每天、每小時，甚至每分鐘都在變化，”他說。“如果你關注Hugging Face的更新，你可能每隔幾個小時就會收到郵件，告知你SLM、VLM或多模態模型的新版本。”

對IP團隊的后續影響是巨大的。“這些模型每天都在涌現。一種新型的運算符層正在出現，”Borkar說道。“要讓整個編譯器流程能夠映射到你的硬件上，說起來容易做起來難。你們是否有一些應對措施，比如對這些運算符或層進行一些模擬，使其能夠運行？”

這種變革帶來的一個后果是，沒有單一的固定引擎能夠處理所有事情。大多數專家主張采用更加異構和可編程的SoC子系統，而單一的通用模塊已無法滿足需求。“回顧幾年前，市面上出現了DSP、NPU、GPU和GPGPU，”Borkar說道，“但似乎沒有一種萬能的解決方案。我們有NPU，也有DSP。我們面臨的挑戰是，設計中的并非所有功能都能獨立運行。通常需要某種異構子系統——例如，一個包含NPU和CPU的AI協處理器——來提供足夠的靈活性，以便更好地利用網絡。”

除此之外，數值格式本身也在不斷變化。西門子的巴拉蘇布拉馬尼安描述了他從模型角度觀察到的情況：“在智能體人工智能領域，許多人都在嘗試調整浮點精度，以在保證準確性的同時，利用有限的內存處理更多的數據。目前有很多實驗正在進行。工作負載正在增加，需要進行更多的協調，也存在更多未知因素。那么，如果IP開發者在模型更新中更改了浮點精度，IP是否足夠靈活來應對這種情況？或者他們是否需要更改一些非常基礎的東西，甚至更換整個架構？”

這些組件的放置和使用位置決定了模型更新的頻率。“模型變化的速度取決于NPU在流程中的位置，” Expedera首席科學家Sharad Chole表示，“它靠近傳感器還是靠近應用程序？靠近傳感器的NPU不一定經常更新，但隨著數據中心或學術界應用程序的演進，整個軟硬件堆棧都必須支持這種更新。我們認為真正的挑戰并非支持新模型，而是如何在保證性能的前提下支持新模型。”

這些技術壓力不僅限于架構、工具或驗證層面。隨著人工智能改變知識產權的構建、維護和部署方式，它也迫使供應商和客戶重新思考知識產權的打包、許可和商業化方式。

在人工智能的壓力下，知識產權商業模式正在發生改變

人工智能也在重塑知識產權的包裝和銷售方式。

Rambus市場營銷與合作高級總監Raj Uppala表示：“談到IP授權的經濟效益，首先要考慮的是客戶需要向IP供應商支付授權費，而這筆費用實際上取決于他們的具體應用場景。例如，可以參考Netflix的模式，根據用戶可同時觀看的設備數量或賬戶可添加的好友數量，提供不同的會員等級。授權模式也類似，可以選擇單次使用許可，用于在單芯片上使用該IP；也可以選擇多次使用許可，用于不同的項目和芯片。此外，如果客戶同時開展多個項目，并且對不同的IP有多種用途，他們還可以考慮訂閱模式。”

與此同時，基于銷量的專利許可結構和芯片組設計正在重塑傳統的一次性使用模式。“從專利許可的角度來看，想象一下，如果客戶的銷量不高，”Uppala說道，“在這種情況下，他們可以選擇按銷量支付專利許可費。但反過來想，如果你的銷量非常大，解決方案的銷量達到數百萬套，那么你可以選擇預先支付一筆專利許可費，之后就無需再為專利許可費操心了。芯片組是一個新興的討論熱點，它也帶來了一些新的挑戰。例如，如果一個一次性使用的IP被應用在芯片組模型中的單片集成電路上，那么你可以將同一芯片用于不同的模塊或不同的SoC中。這就帶來了一個問題，因為實際上它實現了多用途使用，隨著芯片組的普及，這些問題需要得到解決。”

鑒于知識產權開發日益與工作負載、平臺、子系統和長期合作關系緊密相連，而不僅僅是一次性的核心交付，這些都是重要的考量因素。但新的商業模式也帶來了新的責任。隨著知識產權的可重用性增強、人工智能輔助應用以及在產品和平臺中的深度嵌入，所有權、控制權、安全性和治理等問題將越來越難以與知識產權本身分離。

將專有知識產權融入基礎模型也引發了關于人工智能生成代碼所有權的問題，這就需要簽訂合同并采取技術保障措施。“人們對私有代理感興趣，主要是因為隱私和對自身數據的控制權，”Arm人工智能產品管理總監Ronan Naughton指出。“這意味著安全必須覆蓋整個軟件棧，而不僅僅是SoC。Arm從一開始就將安全作為其核心設計理念，隨著數據在云端和邊緣之間來回流動，保護這種交接過程至關重要。所有制造商、OEM廠商和合作伙伴都有責任保護用戶數據和隱私，這樣人工智能代理才能在不損害安全性的前提下改善人們的生活。”

這意味著IP提供商必須不斷加強芯片的安全功能。“當我們談到芯片的演進時，我們會在每一代芯片中都增加安全功能，使其更加安全。這絕對是我們芯片架構中不可或缺的一部分，”諾頓指出。

圍繞知識產權的人類專業知識仍然至關重要

對于所有知識產權開發者而言，人工智能驅動的數據治理和安全要求如今已成為首要的設計約束。這些風險清楚地表明，人工智能不能被視為知識產權判斷的完全替代方案。即使人工智能承擔了越來越多的開發工作流程，經驗豐富的工程師在解讀結果、確保質量以及決定哪些內容已準備好投入生產芯片方面仍然不可或缺。

人工智能功能強大，但知識產權仍然依賴于人類專家。目前，人工智能大多可以替代一些平庸或重復性的工作，但無法取代深厚的知識產權或驗證方面的專業知識。

西門子巴拉蘇布拉馬尼安表示： “我們把智能體人工智能稱為‘人機協同’ 。我們在GenAI項目中發現，最大的瓶頸在于人機協同。我們自身也成為了瓶頸，因此我們替換了一些可以自動化的基礎任務，使人類能夠更多地扮演協調者的角色。但人類始終都在那里。”

尚未解答的問題是，究竟是哪些人會被取代。“我發現人工智能的很多作用在于取代平庸之輩，” Baya Systems首席商務官南丹·納亞姆帕利指出，“他們根本不知道自己在做什么。但你不可能取代那些專家。”

因此，最現實的發展路徑并非取代知識產權開發人員，而是改變他們與人工智能的協作方式。當人工智能加速日常分析和生成工作，而工程師則提供背景信息、判斷和責任時，才能取得最大的成效。

Cadence公司的勞利表示：“人工智能將顯著提升我們人類開發人員的工作效率和水平。這需要將這些信息與人類的創造力相結合，或許還要加上人工智能模型自身的一些創造力。但正是這種協作將帶來巨大的改變。”

（來源：編譯自semiengineering ）

*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。

今天是《半導體行業觀察》為您分享的第4464內容，歡迎關注。

加星標??第一時間看推送

求推薦