許多的電子運算設備都已經導入了機器學習的能力。

機器學習及其相關的推理能力，可能徹底改變人們生活中的一切。

隨著AI應用規模不斷提高，EDA工具也將更為蓬勃發展。

AI正無處不在，並逐漸融入到人們的生活當中。對於AI的運作，機器學習（ML）是非常關鍵的一個過程。事實上，在許多的電子運算設備中，都已經導入了機器學習的能力。而機器學習及其相關的推理能力，也可能徹底改變人們生活中的一切，從你的手機，到汽車的駕駛，都有機器學習的身影。儘管人們已經聽到了很多關於機器學習技術對終端產品的影響，但機器學習的革命，事實上才正要開始而已。

圖一 : EDA廠商開始轉向以生態系統為中心的策略型態。（source：cadence.com）

對於EDA工具來說，也正逐漸受到AI與ML的影響。然而其中值得觀察的是，EDA將如何影響AI，而AI又是如何影響EDA，這是一個既有趣又重要的問題。對於Cadence（益華電腦）這樣的EDA廠商來說，自然有一套自己對於AI的見解以及解決之道。

內外兼顧的EDA佈局

一般來說，AI對於EDA工具的影響，多半需要考量兩個部分。EDA工具通常面臨著許多難以解決的挑戰，這些挑戰需要利用更先進的方法來加以管理。例如，在佈局和設計路線流程的早期，就先評估大型數位化設計的線路擁擠或可能的錯誤。在這樣的情況下，透過AI或ML可以有助於獲得更好的數據和最佳化的晶片佈局。只不過這些改進對於使用者來說，多半是看不見的，這種工具只能提供更好的結果。而Cadence將這種方式稱為「ML inside」，意思是將ML演算法先行整合到EDA工具之中，來加速設計引擎的效能。

AI對EDA工具的另一個影響，則與設計流程有關。通常晶片設計是一種反覆的過程，設計團隊的許多部門都在共同努力來獲得最佳的結果。為了獲得最佳化的佈局、最完整的驗證、最低的功耗等目標，有很多的試運行將會持續進行，而這樣的過程可能會持續好幾個月。在這種情況下，AI與ML可用於分析每次迭代產生的大量數據，目的是盡可能從給定的迭代或一組迭代中進行學習。該過程可以讓本質變得更聰明，而不是透過更努力地運作來減少設計時間。這是一個全新的過程，因為它看起來可以提高設計流程的效率，Cadence也將此稱為「ML outside」，意思是讓ML作為設計輔助的子系統，來加快生產流程。

圖二 : AI運算的未來演進，可以視為是一場異質架構的戰爭。

為什麼ML對於EDA工具如此的重要，主要在於到目前為止，EDA工具多半具有大量的輸入參數，但是沒有一個參數可以擷取歷史記錄或者學習關於設計工具的使用情況。換句話說，該工具無法對先前使用的方式進行記錄。而ML outside可以改變所有這些現況，進而從本質上創建一種新型的工具流程。

最佳化的工具體驗

EDA工具通常面臨著許多難以解決的挑戰，需要利用更先進的方法來加以管理。透過AI或ML有助於獲得更好的數據和最佳化晶片佈局。

對EDA廠商來說，現階段發展的重點方向，是從過去以工具為中心，轉向以生態系統為中心的策略型態。而新的服務方向，是協助晶片和系統設計生態系統，為其產品加入AI與ML的能力。在這樣的生態系統中，代工廠和IP供應商也發揮了重要的作用。只不過，新一代晶片的設計挑戰，早已經超越了硬體本身，而且還EDA廠商還得研究如何讓已經驗證的產品，在Android、Windows和Linux等不同軟體系統中執行，以提供更完整的調試功能。

許多新興的應用產品都需要AI與ML的功能在其中，然而這些市場卻也都需要EDA廠商的協助，才能順利在其產品中加入AI與ML的能力。從行動裝置、汽車、資料中心、軍事設備與航太設備等，在這些不同的應用領域中，都需要相同的AI功能，但其需求卻各自不同。

有一個重點不容忽視，所有晶片基本上都需要利用相同的工具來加以測試，但最大的挑戰在於工具本身的使用體驗，另外還需注意針對生態系統其他部分的測試方式是否完全不同。這些差異性在超低功耗的小體積晶片，以及龐大資料中心的處理晶片上，就很明顯可以比較得出來。另外，汽車晶片對於長壽命的需求，以及手機晶片相對不需過長壽命，也讓問題的多樣性浮上檯面。

對於EDA工具來說，要能支援更廣泛的應用市場，關鍵在於最佳化的測試工具以及流程，而不是為不同的應用市場拼命開發不同的工具軟體。這個策略的基礎，在於開發強而有力的工具，並且可以支援不同的使用情境。

結語

EDA工具的最佳化已是趨勢，市場上可見更優質的新一代算晶片不斷推出市面。另一個值得關注的議題，或許是AI晶片的外觀。經客製而優化的大規模處理器集合，將可為AI演算法提供比現有產品更強有力的運算效能。在這種情況下，我們或許可以將AI運算的未來演進，視為是一場異質架構的戰爭。AI運算與EDA工具的角色也都將更為吃重。而隨著AI應用的規模不斷提高，數量也持續增加，將使EDA工具與半導體領域更為蓬勃發展，這一點將是毋庸置疑的。