日前，Mentor IC EDA 执行副总裁 Joseph Sawicki 来到中国，参加一年一度的Mentor Forum 2019北京设计技术论坛。Sawicki在Mentor工作近30年，曾经领导过Mentor几条业界享有盛誉的产品线，包括Calibre和Tessent等。把脉全球前沿技术趋势，EETOP记者把握难得的机会，对Sawicki进行了深度采访。Sawicki分享说，在参加Mentor技术论坛之前，他走访了一些中国企业，其中有一家初创公司，刚刚成立两年，但是半年前他们的AI芯片就已经去流片了。他感到惊讶的同时，也深表自豪，因为正是机器学习和人工智能技术，才可以让该企业在如此短的时间内取得巨大成功。Sawicki特别强调地说：“人工智能和机器学习在下一个十年将会给整个半导体行业带来巨大的机遇，EDA领域需要在设计和验证方法论上有新的转变。”针对IC设计方法论和验证方法论的升级，EETOP记者特别提问：传统芯片设计开发流程和人工智能时代的芯片开发流程有什么区别。Sawicki介绍说：“设计层级方面，要从 RTL 往上走，包括 C++甚至SystemC， 因为这些更高层级的设计语言可以更好地集成到人工智能开发平台上。而传统的开发流程，可能更关注的是设计上的规范和架构。在人工智能时代，我们更加需要关注的是应用的验证，这是最重要的，而不是去验证设计本身的正确性。”之前我们说到SoC集成电路芯片，更多说的是芯片的规格，比如内存的大小。而人工智能时代，未来设计方法论会有一些颠覆性的改变。这个时代的方法论更多的是RTL，然后才在芯片上面进行验证，这种验证是为了让芯片的性能更强。对于半导体公司来说，最重要的，应是着眼于价值堆栈，必须定制出一些架构来满足用户的体验，这样的原生环境就是人工智能的开发平台。在传统的设计环境中，通常会发现，有时候是CPU太慢，有的时候是GPU功耗太高，应该怎么做？这时候需要找到一个很好的路径，就是在原生设计环境当中运用人工智能，实现最优的用户体验。HLS（高阶综合）可以作为连接 AI 原生环境和芯片的桥梁。它可以帮助客户更好地设计架构，管理内存的分配、神经网络的宽度和纵深，以及决定在里面放置多少管道等。管理好这些因素，才能为垂直应用提供经过优化的 IC 软件体验。
针对HLS（高阶综合），Mentor已经开发出了Catapult软件高级综合（HLS）工具包和生态系统，包括C/C++/SystemC HLS、HLS验证以及低功耗HLS三大产品线。同时在整个Calibre平台上增加了AI / ML基础设施，并推出了两种AI / ML技术，即Calibre Machine Learning OPC（mlOPC）和LFD with Machine Learning。据了解，该套件基于HLS C ++，提供了对象检测参考设计和IP，可帮助设计人员快速找到神经网络加速器引擎的最佳功率、性能和区域实现。该解决方案还包括一个完整的设置，用于构建AI / ML演示器平台，在FPGA原型板上提供实时HDMI馈送。
芯片设计的方法论需要发生转变，验证也同样需要在方法论上进行改变。传统的集成电路芯片验证的测试方法就是要测试规则、架构和规范等，而在人工智能时代，更多的是垂直应用。需要进行的验证是在应用层面，也就是说需要一些技术仿真出来一个 AI 引擎，然后在 CPU 系统上可以把这些数据推送到 AI 引擎上面。这样就会生成一个界面，可以产生一个虚拟的PCI。此外，也可以执行用户想要执行的应用，包括整个代码的处理等。性能、耗能以及数据都可以通过验证获取。换而言之，也就是没到芯片层面就可以理解整个过程的性能表现如何。RFD设计中，Mentor也使用了机器学习，可以在云平台上面进行 Face ID 或者语音识别。而且知道设计的问题和产出的限制在哪里，仿真的过程就可以大大降低。通过这样的机器学习，可以仿真出一个可靠性非常高的库或者矩阵。此外，通过机器学习方式，还可检验出测试系统当中哪些地方是失败的，然后把这些和实体设计联系起来就能够找出问题在哪里，更好地推动设计的最终产品。Sawicki表示：“我们最终想要做出的IP，不是要在客户芯片上直接进行应用，而是更多地帮助客户有这样的能力驾驭最新的设计方法论。具体在IP领域，Mentor的理念更多的是架构层面，也就是开源的IP。有了这样的方式，我们的客户就已经能够得到优化他们设计的起点。我们现在有许多客户都在用高阶综合的方式来设计人工智能和机器学习的芯片。比如 NVIDIA ，他们利用这些方法论，一个很好的益处就是生产效率已经提高了50%。更重要的是，他们的验证成本降低了80%。”那么到底是什么因素在驱动这些变革？Sawicki分析说，现在有越来越多海量的数据被移动到了网络上，无论是车与车之间的智能网联，还是智慧城市、工业化/消费者层面的物联网应用等。未来十年，这些高速数据将在网络呈现数十倍的增长，这种高速增长一定会转变现有的 CPU 或者数据中心由云进行管理的现有架构，都是由人工智能、机器学习带来的机遇。除了数据聚合之外，现在还有越来越多的处理和运算被移动到了边缘进行，未来六年边缘计算每年都会有成倍的增长。这些，未来不管是在云的平台还是在其它系统当中都可以大大提高系统的效率。这些机遇会给市场带来哪些不同影响？根据市场调研，人工智能可以助力半导体公司从技术堆栈当中获得高达40%-50%的产值，移动端时代只是为半导体行业提供价值20%的产值。对于芯片客户来说，可能会把越来越多的芯片放在数据中心进行管理，或是放在边缘进行处理。对于风投公司来说，自2001年互联网泡沫破灭后，风投公司已经大大降低了集成电路行业的投入。不过近几年，风投资金有了很大的回归和剧烈的增长，并且很多公司都已经着眼于人工智能和机器学习。对于芯片设计公司来说，绝大多数机遇都会发生在边缘，面对这一颠覆性的市场，必须要做出一些改变。Mentor是在2016年被西门子收购的。在收购当年，业界各种声音，揣测Mentor缘何被收购。有认为是西门子为将来布局汽车电子市场而做的努力。今天看来，Mentor对西门子进军AI领域起到了很大的推动作用。一方面，Mentor在被西门子收购之前在汽车行业表现的就很出色。Mentor有很多IC设计的工具，这些工具可以很好地提供给整车厂的供应商。在被西门子收购以后Mentor又开发了一项技术，还有模式分析方面的 OPC，需要有数千个CPU 24 小时不间断地跑，通过机器学习提高效率，可以把整个时间和复杂性降低 3-4 倍。西门子过去这些年里在数字化双胞胎技术（Digital Twin）方面一直在下大力气去做。现在，通过Mentor的仿真系统与西门子的技术整合以后，通过Mentor的虚拟验证方式生成自动驾驶在虚拟环境中所产生及处理数据的过程，之后将虚拟设备与西门子Simcentor Amesim机电一体化系统仿真平台相连接，一方面是Veloce仿真整个芯片平台，一方面是Amesim仿真整个动力总成和底盘系统平台。通过双方交互，实现整个电子和机械一体化的仿真验证过程，可以让 OEM 厂商在虚拟环境下直接了解车辆的性能。有了这样的连接，最后的仿真和设计就可以达到一个非常高的表现和可靠性。据了解，目前在电气和机械方面已经都可以在设计上完成。Sawicki有敏锐的市场洞察力，在打造市场成功产品方面有非常丰富的经验和成功案例。对于如何做出有市场优势的特色产品，Sawicki分享到：“首先我们必须要有一批非常具有热情的开发者，这些开发者希望能够向市场提供能够带来不同的产品，产品要能够带来不同才是价值所在。其次，这些工程师团队必须非常密切地和客户一起工作，因为远离客户的话就根本无法找到很好的解决问题的方式。 最后，我们要找准客户最困难的问题在哪里，就像 Calibre 的设计和 Tessent 的测试，我们要找到每个产品最重要的关键问题在哪里。如果能够做到上述这三点，成功的概率就会非常大。”
