AI เริ่มออกแบบชิปแล้วหรือ? จากการสร้าง RTL ถึงการตรวจสอบและดีบัก วงการ EDA กำลังเกิดอะไรขึ้น

ซินจู๋ การจำลองที่รันไปสิบสี่ชั่วโมง สุดท้ายบอกแค่ว่า "ยังผิดอยู่"

ออฟฟิศบริษัทออกแบบ IC แห่งหนึ่งในซินจู๋ ห้าทุ่มกว่ายังเปิดไฟอยู่ วิศวกรตรวจสอบคนหนึ่งจ้องหน้าจอที่ regression test เพิ่งรันจบ — สิบสี่ชั่วโมง หลายพันรายการทดสอบ แดงไปเจ็ดตัว สิ่งที่ต้องทำต่อไปคือหาจากรูปคลื่นหลายล้านบรรทัดว่าสัญญาณผิดที่จังหวะไหน แล้วย้อนกลับไปว่า RTL ส่วนไหนเขียนพัง

เรื่องนี้ไม่มีทางลัด และไม่มีรางวัลอื่นนอกจากค่าล่วงเวลา มันคือกิจวัตรที่เกิดขึ้นทุกวันในอุตสาหกรรมเซมิคอนดักเตอร์ไต้หวัน แต่แทบไม่เคยถูกเขียนลงข่าว

และนี่คือกระดูกชิ้นที่ AI สองปีนี้กัดจริงจังที่สุด ไม่ใช่หัวข้อแบบ "AI ออกแบบชิปได้เองหนึ่งตัว" แต่คือการรับช่วงงานที่กินคนและไร้ความสร้างสรรค์ที่สุดในกระบวนการออกแบบทีละส่วน: กวาดพื้นที่พารามิเตอร์อย่างไร เติม test coverage อย่างไร เธรดอีเมลร้อยฉบับที่ถกเรื่อง bug นี้พูดอะไรกันแน่

ภูมิหลังของเหตุการณ์

AI เข้าสู่ EDA (electronic design automation) ไม่ใช่ข่าวใหม่ แต่สองปีนี้ธรรมชาติของมันเปลี่ยนไป

ยุคแรกคือการหาค่าเหมาะที่สุด AlphaChip ของ Google DeepMind คือกรณีที่เป็นตัวแทนที่สุด: ใช้ reinforcement learning ทำการวางผังชิป (floorplanning) วางองค์ประกอบวงจรทีละชิ้น อาศัย graph neural network เรียนรู้ความสัมพันธ์ระหว่างองค์ประกอบ DeepMind อธิบายว่ามัน "สร้างผังชิปที่เหนือกว่าหรือเทียบเท่ามนุษย์ได้ภายในไม่กี่ชั่วโมง แทนที่จะใช้เวลาหลายสัปดาห์หรือหลายเดือน" งานวิจัยนี้ปล่อย preprint ปี 2020 ขึ้น《Nature》ปี 2021 วันที่ 26 กันยายน 2024 เผยแพร่ภาคผนวก Nature ตั้งชื่ออย่างเป็นทางการว่า AlphaChip และปล่อย checkpoint โมเดลที่ฝึกไว้ล่วงหน้า

สำหรับผู้อ่านไต้หวัน ตรงนี้มีประโยคหนึ่งที่ควรสังเกตเป็นพิเศษ: หน้าเว็บทางการของ DeepMind เขียนชัดว่า AlphaChip ถูกใช้ใน Google TPU v5e, v5p และ Trillium รุ่นที่หก ตลอดจนโปรเซสเซอร์ Axion; และ MediaTek ต่อยอด AlphaChip ไปใช้ในการพัฒนาชิปขั้นสูงของตน บริษัทออกแบบ IC ไต้หวันไม่ได้ยืนดูอยู่ข้าง ๆ แต่อยู่ในรายชื่อแล้ว

ฝั่ง EDA เชิงพาณิชย์ Synopsys กางไลน์ผลิตภัณฑ์ AI ออกกว้างที่สุด: DSO.ai ทำการหาค่าเหมาะที่สุดของพื้นที่ออกแบบดิจิทัล ASO.ai ทำอนาล็อกและสัญญาณผสม VSO.ai ทำการลู่เข้าของ verification coverage TSO.ai ทำการหาค่าเหมาะที่สุดของ test pattern 3DSO.ai บูรณาการเข้า 3DIC Compiler จัดการการออกแบบหลายชิป อีกทั้งมีแพลตฟอร์มวิเคราะห์ข้อมูลสองชุดคือ Design.da และ Silicon.da และ Synopsys.ai Copilot ที่ถูกวางตำแหน่งเป็น "24/7 Expert Copilot" เว็บทางการอ้างประโยชน์โดยรวมว่า "ปลดล็อกการเพิ่มผลิตภาพได้มากถึง 30% ตลอดวงจรชีวิตซิลิคอน" และ "เร่งวงจรการพัฒนาและนวัตกรรมของชิปรุ่นถัดไปได้ 5 เท่า" ตัวเลขเหล่านี้เป็นตัวเลขการตลาดของผู้ผลิตเอง อ่านแล้วโปรดหักลบเอง

เส้นที่สามคือโมเดลภาษาขนาดใหญ่เข้าสู่กิจวัตรของวิศวกรโดยตรง ChipNeMo ที่ NVIDIA เผยแพร่เมื่อ 30 ตุลาคม 2023 นำ LLaMA2 มาปรับให้เข้ากับโดเมน (custom tokenizer ฝึกต่อ fine-tune แบบมีผู้สอน และการค้นคืนเฉพาะโดเมน) ล็อกสามสถานการณ์ใช้งาน: แชตบอตผู้ช่วยวิศวกร การสร้างสคริปต์ EDA และการสรุปกับวิเคราะห์ bug เปเปอร์ชี้ว่าเทคนิคการปรับให้เข้ากับโดเมนเหล่านี้ "ลดขนาดโมเดลได้มากถึง 5 เท่า พร้อมคงประสิทธิภาพที่เทียบเท่าหรือดีกว่าในหลายงานออกแบบ" และ ChipNeMo-70B ที่ใหญ่ที่สุดเอาชนะ GPT-4 ในสองกรณีคือผู้ช่วยวิศวกรและการสร้างสคริปต์ EDA

ชั้น ecosystem มี Open Innovation Platform (OIP) ของ TSMC ที่บูรณาการ IP, เครื่องมือ EDA, ทรัพยากรคลาวด์, บริการออกแบบ และแพ็กเกจจิงขั้นสูงเข้าด้วยกัน ลดเกณฑ์การออกแบบ ต้องสังเกตว่าหน้าเว็บทางการของ OIP เองพูดเรื่องโครงสร้างพื้นฐาน ไม่ได้ชู AI เป็นจุดขาย — นี่ก็เตือนเราว่าบทบาทของโรงหล่อกับผู้ผลิต EDA ในเรื่องนี้ต่างกัน ไม่ควรเหมารวม

ประเด็นสำคัญครั้งนี้

• AI สามแบบต่างคนต่างทำ: reinforcement learning ทำการวางผังและหาค่าเหมาะที่สุดของพารามิเตอร์ machine learning ทำการลู่เข้าของ coverage และ test pattern โมเดลภาษาขนาดใหญ่ทำสคริปต์ เอกสาร และวิเคราะห์ bug ทั้งสามแก้ปัญหาคนละเรื่องกันสิ้นเชิง แต่ถูกหัวข้อ "AI ออกแบบชิป" เดียวกันคลุมไว้อย่างคลุมเครือ
• การตรวจสอบและดีบักต่างหากคือจุดเจ็บจริง: ฉันทามติของวงการมานานคือ verification กินสัดส่วนชั่วโมงงานพัฒนาชิปค่อนข้างมาก การหาค่าเหมาะที่สุดของ coverage แบบ VSO.ai และการสรุป bug ของ ChipNeMo ล้วนตัดตรงส่วนนี้
• การสร้าง RTL ยังอยู่ในช่วงต้น: ความสามารถของ LLM ในการเขียน Verilog／SystemVerilog พัฒนาเร็วมาก แต่ระหว่าง "คอมไพล์ได้" กับ "ผ่านการตรวจสอบ ผ่าน timing ผลิตจำนวนมากได้" ต่างกันไกลมาก การใช้งานที่ปฏิบัติได้ตอนนี้คือสร้าง testbench สคริปต์ assertion และเอกสาร ไม่ใช่ยกตัวหลักของการออกแบบให้ไป
• การปรับให้เข้ากับโดเมนสำคัญกว่าขนาดโมเดล: ข้อสรุปของ ChipNeMo ชัดมาก — โมเดลเล็กที่ใช้ข้อมูลโดเมนถูกต้อง เอาชนะโมเดลใหญ่อเนกประสงค์ได้ นี่เป็นข่าวดีสำหรับบริษัทออกแบบ IC ขนาดกลางไต้หวันที่มีงบพลังประมวลผลจำกัด
• ข้อมูลคือคูเมืองที่ใหญ่ที่สุด และเป็นกับดักที่ใหญ่ที่สุด: ข้อมูลออกแบบชิปเกี่ยวข้องกับ NDA ของลูกค้าและความลับของกระบวนการผลิต จะขึ้นคลาวด์ได้ไหม จะป้อนให้โมเดลภายนอกได้ไหม มักเป็นฝ่ายกฎหมายที่ตัดสินก่อน ไม่ใช่เทคนิคตัดสินก่อน

วิเคราะห์ผลกระทบต่อตลาด

ผู้ใช้ในไต้หวัน

ผู้บริโภคทั่วไปไม่สัมผัส EDA โดยตรง แต่เรื่องนี้เกี่ยวกับคุณสองชั้น

ชั้นแรกคือวงจรผลิตภัณฑ์ หากการวนรอบการออกแบบชิปเร็วขึ้นจริง การเปลี่ยนรุ่นของมือถือ ยานยนต์ และตัวเร่ง AI จะถี่ขึ้น ดีต่อผู้บริโภค แต่ไม่แน่ต่อกระเป๋าเงิน ชั้นสองคือการจ้างงาน ไต้หวันมีครัวเรือนจำนวนมากที่รายได้มาจากเซมิคอนดักเตอร์ทั้งทางตรงและทางอ้อม เมื่อระดับอัตโนมัติของกระบวนการออกแบบสูงขึ้น สิ่งที่ถูกบีบก่อนในระยะสั้นไม่ใช่สถาปนิกอาวุโส แต่คืองานตรวจสอบและสคริปต์ขั้นต้นที่ซ้ำ ๆ นี่เป็นเรื่องที่ต้องพูดตรง ๆ

การใช้งานในองค์กร

สำหรับบริษัทออกแบบ IC ไต้หวัน ผมว่าการตัดสินที่ควรทำที่สุดตอนนี้ไม่ใช่ "จะใช้ AI หรือไม่" แต่คือ "ขยับส่วนไหนก่อน"

ความเสี่ยงต่ำสุด ผลตอบแทนเร็วสุดคือเอกสารและการค้นคืนความรู้: ทำเอกสารสเปกการออกแบบ บันทึก bug ในอดีต คู่มือเครื่องมือภายในให้เป็นระบบถาม-ตอบภายในองค์กร เวลาที่พนักงานใหม่จับงานได้จะสั้นลงชัดเจน และไม่แตะกระบวนการผลิตเลย จากนั้นค่อยถึงคิวการสร้างสคริปต์และ testbench ส่วนการหาค่าเหมาะที่สุดของกระบวนการ implementation วางไว้ท้ายสุด — อันนั้นต้องคุยเรื่องไลเซนส์และการจัดสรรพลังประมวลผลกับผู้ให้บริการ EDA ไปพร้อมกัน ไม่ใช่วิศวกรลงเครื่องมือเองก็ทำได้

ส่วนความปลอดภัยข้อมูล ข้อนี้ในไต้หวันละเอียดอ่อนเป็นพิเศษ วิธีใด ๆ ที่ต้องส่ง RTL หรือพารามิเตอร์กระบวนการผลิตออกนอกเน็ตเวิร์กเซ็กเมนต์ของบริษัท ควรผ่านด่านฝ่ายกฎหมายและสัญญาลูกค้าก่อน ต้นทุนการดีพลอยแบบ on-premise หรือ private cloud ต้องคำนวณเข้า ROI ตั้งแต่แรก อย่ารอทำ PoC เสร็จแล้วค่อยพบว่าขึ้นไลน์ไม่ได้

นักพัฒนา

หากคุณเป็นวิศวกรฮาร์ดแวร์ คำแนะนำของผมคือมอง LLM เป็น "ตัวเร่งสิ่งที่คุณทำเป็นอยู่แล้ว" ไม่ใช่มาแทนให้คุณเรียนสิ่งที่ทำไม่เป็น

สามการใช้งานที่ปฏิบัติได้ที่สุดตอนนี้: อ่านโค้ดเก่าและเอกสารสเปกที่คนอื่นเขียนให้เข้าใจ สร้างเทสต์และสคริปต์ที่ซ้ำ ๆ สรุปเธรดถกเถียงยาว ๆ และ log ให้เป็นประเด็นที่ลงมือได้ สิ่งเหล่านี้ใช้โมเดลอเนกประสงค์อย่าง ChatGPT ก็เริ่มได้ ส่วนประสบการณ์ในเอดิเตอร์ลองดู GitHub Copilot หรือ Cursor — แม้จะบริการงานพัฒนาซอฟต์แวร์เป็นหลัก แต่สคริปต์ สภาพแวดล้อมการตรวจสอบ และการจัดการข้อมูลซึ่งเป็นงานรอบข้าง แต่เดิมก็ทับซ้อนกับวิศวกรรมซอฟต์แวร์อยู่แล้ว

ความสามารถที่ควรลงทุนจริงมีสองอย่าง: หนึ่งจัดระเบียบความรู้โดเมนให้เป็นข้อมูลที่ค้นคืนได้ (มีประโยชน์กว่าฝึกโมเดลมาก) สองคือวินัยในการตรวจสอบเอาต์พุต — assertion หรือเทสต์ที่ AI สร้าง ผิดแบบแนบเนียนกว่าคนเสียอีก อยากหาเทมเพลตคำสั่งสำเร็จรูป เริ่มจาก คลังพรอมป์ และ คลังงาน บนเว็บมาปรับสักสองสามอันก่อนได้

แนวโน้มการพัฒนาในอนาคต

ในสามปีผมมองสามเรื่อง

หนึ่ง กระบวนการ EDA แบบ agent จะเปลี่ยนจากการสาธิตไปสู่การทดลองใช้ กล่าวคือโมเดลไม่ใช่แค่ตอบคำถาม แต่สั่งคำสั่งเครื่องมือเอง ดูรายงาน แล้วตัดสินขั้นต่อไปเอง อินเทอร์เฟซของ tool chain กำลังถูกเขียนใหม่เพื่อสิ่งนี้ แต่จะเข้าสู่กระบวนการผลิตจำนวนมาก ยังต้องแก้เรื่อง reproducibility และบันทึกการตรวจสอบก่อน

สอง วงจร AI เร่งการออกแบบชิป ชิปเร่ง AI อีกทีจะชัดขึ้น AlphaChip ใช้ใน TPU แล้ว TPU เอาไปฝึกโมเดลรุ่นถัดไป วงจรนี้ตั้งอยู่แล้ว เพียงแต่คนภายนอกมองจากมุมนี้น้อย

สาม และเป็นสิ่งที่ไต้หวันควรจับตาที่สุด: โมเดลไลเซนส์ EDA อาจเปลี่ยน เมื่อการเพิ่มผลิตภาพถูกผูกเข้ากับการสมัครสมาชิกเครื่องมือ อำนาจต่อรองจะกระจุกไปที่ซัพพลายเออร์ไม่กี่ราย ไต้หวันมีบุคลากรออกแบบชิปหนาแน่นที่สุดในโลก แต่กลับพึ่งพาผู้ผลิตต่างชาติสูงมากใน tool chain ของ EDA — นี่คือโจทย์ระดับนโยบายอุตสาหกรรม ไม่ใช่บริษัทเดียวแก้ได้

บทสรุปและความเห็นของ TheAI Academy

ประโยค "AI เริ่มออกแบบชิปแล้ว" ตอนนี้ถูกแค่ครึ่งเดียว AI ทำการหาค่าเหมาะที่สุดของการวางผัง การลู่เข้าของ coverage และการสร้าง test pattern จริง และมีกรณีการผลิตจำนวนมากที่ตรวจสอบได้ทางการ; แต่ในห่วงโซ่ที่ครบถ้วนจากสเปกถึงชิปที่ผลิตได้ การตัดสินของวิศวกรมนุษย์ยังติดแน่นอยู่ที่โหนดสำคัญ

ผมกลับรู้สึกว่า สิ่งที่สำคัญที่สุดต่อไต้หวันไม่ใช่โมเดลของใครแรงกว่า แต่คือเราได้เปลี่ยนความรู้การออกแบบสามสิบปีที่สะสมมาให้เป็นทรัพย์สินที่เครื่องอ่านได้หรือยัง สิ่งที่ซ่อนอยู่ในหัวของวิศวกรอาวุโส ซ่อนอยู่ใน wiki ที่หมดอายุ ซ่อนอยู่ในเอกสารส่งมอบงานตอนลาออก ต่างหากคือข้อได้เปรียบการแข่งขันที่แท้จริงของไต้หวัน

คูเมืองเซมิคอนดักเตอร์ของไต้หวันไม่เคยเป็นเครื่องมือ แต่คือความรู้; ปัญหาคือความรู้เหล่านั้นตอนนี้ยังนอนอยู่ในหัวคน ไม่ได้กลายเป็นข้อมูล

คำแนะนำที่เป็นรูปธรรมสำหรับผู้อ่านชาวไต้หวัน: หากคุณอยู่ในอุตสาหกรรมออกแบบ IC หรือทดสอบแพ็กเกจ ไตรมาสนี้ก็ผลักดันเรื่องหนึ่งได้ — สร้างสเปกการออกแบบ บันทึก bug และคู่มือเครื่องมือภายในบริษัทเป็นฐานความรู้ที่ค้นคืนได้ เรื่องนี้ไม่ต้องแตะกระบวนการผลิต แต่เป็นรากฐานของการใช้งาน AI ทั้งหมดที่จะตามมา หากคุณเป็นนักศึกษาหรือคนเปลี่ยนสายงาน อย่ารีบกระโดดเข้าไปหา "AI เขียน RTL" ฝึก verification methodology, การทำอัตโนมัติด้วย Python และการจัดระเบียบข้อมูลให้แน่นก่อน สามอย่างนี้ในห้าปีข้างหน้ามีแต่จะมีค่ามากขึ้น

แหล่งข้อมูล

• Google DeepMind – How AlphaChip transformed computer chip design
• Synopsys – AI-Driven Chip Design
• NVIDIA Research – ChipNeMo: Domain-Adapted LLMs for Chip Design