來源：半導(dǎo)體產(chǎn)業(yè)縱橫

數(shù)據(jù)之亂，正在拖慢整個芯片AI。

將人工智能融入芯片設(shè)計(jì)流程，正推動企業(yè)全面重構(gòu)數(shù)據(jù)管理策略，從被動存儲轉(zhuǎn)向主動、結(jié)構(gòu)化、機(jī)器可讀的系統(tǒng)。隨著訓(xùn)練與推理負(fù)載不斷增長，數(shù)據(jù)遷移、擁堵和能效已成為核心挑戰(zhàn)，其重要性甚至超過了單純的算力。EDA專用且復(fù)雜的數(shù)據(jù)格式，加上公開數(shù)據(jù)有限，使得針對半導(dǎo)體設(shè)計(jì)的AI模型微調(diào)變得非常困難。無論是用于RAG還是模型微調(diào)，都需要大量解析工作和深厚的領(lǐng)域?qū)I(yè)知識。AI正迫使半導(dǎo)體企業(yè)從底層重新思考數(shù)據(jù)管理，將其從被動存儲轉(zhuǎn)變?yōu)橐婚T主動的工程學(xué)科。

工程團(tuán)隊(duì)首先必須將分散的日志和設(shè)計(jì)成果整合到機(jī)器可讀的數(shù)據(jù)湖中，用元數(shù)據(jù)和本體論進(jìn)行豐富，并在工具之間搭建穩(wěn)定的數(shù)據(jù)流管道。為此，他們會使用智能助手、檢索增強(qiáng)生成（RAG）和微調(diào)模型，而這一切都必須在嚴(yán)格安全與本地部署的約束下完成。隨著數(shù)據(jù)量增長，企業(yè)將需要新增EDA數(shù)據(jù)管理員這類角色，并持續(xù)投入數(shù)據(jù)結(jié)構(gòu)與質(zhì)量建設(shè)。無論工程團(tuán)隊(duì)使用RAG、訓(xùn)練模型還是微調(diào)數(shù)據(jù)，數(shù)據(jù)如果只是躺在那里，就毫無價值。歷史數(shù)據(jù)與現(xiàn)有數(shù)據(jù)必須從不同集群、工具和項(xiàng)目中收集，再按項(xiàng)目、流程階段和團(tuán)隊(duì)進(jìn)行清洗與整理。此外，代碼、文本、圖像、時序數(shù)據(jù)和二進(jìn)制格式都需要解析與分塊。這些需求共同推動團(tuán)隊(duì)轉(zhuǎn)向集中式數(shù)據(jù)湖和向量數(shù)據(jù)庫，取代臨時文件共享，數(shù)據(jù)管理也更強(qiáng)調(diào)機(jī)器可讀性與檢索能力。這也解釋了為什么如今圍繞AI設(shè)計(jì)的數(shù)據(jù)管理活動如此活躍，而僅僅一年前，行業(yè)還更關(guān)注可以使用哪些AI工具。

是德科技EDA部門IP與數(shù)據(jù)管理業(yè)務(wù)總經(jīng)理Simon Rance表示，當(dāng)時大家問的問題是需要在方法或設(shè)計(jì)流程中做哪些改變，才能融入并利用AI，他們也在思考如何訓(xùn)練AI。隨著企業(yè)開始真正思考并著手落地，這個領(lǐng)域不斷發(fā)展。企業(yè)面臨數(shù)據(jù)安全挑戰(zhàn)、算力問題、AI計(jì)算的能耗問題?，F(xiàn)在人們越來越了解AI幻覺及其成因，也想知道如何緩解或減少幻覺。當(dāng)前的重點(diǎn)大量集中在數(shù)據(jù)安全上。相比于創(chuàng)建大語言模型或訓(xùn)練方法，數(shù)據(jù)編排的優(yōu)先級變得更高。大家都想直接深入應(yīng)用，但如果基礎(chǔ)沒打好，就會在各種地方卡住，很多企業(yè)確實(shí)卡住了，某種程度上就像陷入癱瘓。這不是只改一個點(diǎn)就能解決的問題，會引發(fā)一連串連鎖反應(yīng)。

西門子EDA生成式AI產(chǎn)品總監(jiān)Niranjan Sitapure也持相同觀點(diǎn)。從AI設(shè)計(jì)對數(shù)據(jù)管理的影響來看，主要可以分為兩類，一類是訓(xùn)練新AI模型、大模型或微調(diào)現(xiàn)有模型，另一類是檢索增強(qiáng)生成（RAG），不需要訓(xùn)練或微調(diào)模型，也能利用已有數(shù)據(jù)。第三類，對半導(dǎo)體設(shè)計(jì)尤其重要，是前兩類都共用的數(shù)據(jù)格式問題。像ChatGPT、Gemini這類大模型非常擅長文本、代碼和多模態(tài)處理，因?yàn)樗鼈冊诨ヂ?lián)網(wǎng)上有大量這類格式的數(shù)據(jù)。但在EDA領(lǐng)域，代碼高度專有，存在專用語言，很多EDA工具還有自己的語法且不對外公開，即便是最新模型也很難獲取這些信息。部分EDA數(shù)據(jù)的格式甚至不支持機(jī)器讀取，即便有圖像和表格，也都是極其復(fù)雜的電路圖、原理圖，當(dāng)前AI模型很難理解其含義。這直接影響模型微調(diào)和RAG兩類應(yīng)用。

Sitapure指出，在微調(diào)方面，現(xiàn)有模型并沒有EDA數(shù)據(jù)，它們可能很擅長寫Python代碼、回答光刻原理這類通用問題，但并不真正懂如何深入設(shè)計(jì)電路。此外，微調(diào)需要大量數(shù)據(jù)，而很多芯片設(shè)計(jì)數(shù)據(jù)并不在EDA廠商手里，而是在客戶和代工廠手中，它們不會公開。想要微調(diào)當(dāng)前頂尖模型，既要解決EDA文件格式解析問題，又要面對公開數(shù)據(jù)不足的問題。而在RAG方面，比如在工具里打開一個設(shè)計(jì)做DRC，想理解設(shè)計(jì)狀態(tài)或從日志文件排查錯誤，這類場景用RAG會更可行、更直接。

工程團(tuán)隊(duì)主要有兩種應(yīng)對方式。第一種是為所有數(shù)據(jù)搭建智能助手，配合RAG使用，相當(dāng)于EDA領(lǐng)域的ChatGPT，廠商提供模型、RAG管道和友好界面，用戶直接提問即可。另一些用戶則希望擁有自己的微調(diào)AI模型，他們希望搭建訓(xùn)練或微調(diào)管道，在不同設(shè)計(jì)上運(yùn)行仿真，讓本地AI模型理解仿真數(shù)據(jù)，預(yù)測運(yùn)行時間、內(nèi)存占用，甚至預(yù)估PPA。目前EDA廠商會向用戶提供這類技術(shù)。用戶將信息集中到自己的機(jī)器可讀數(shù)據(jù)湖中，再整體遷移到EDA廠商的AI服務(wù)基礎(chǔ)設(shè)施里，但數(shù)據(jù)保留在本地、完全物理隔離，既保證安全，又能精準(zhǔn)響應(yīng)用戶需求。換句話說，AI芯片與系統(tǒng)設(shè)計(jì)迫使數(shù)據(jù)管理從孤立、基于文件的結(jié)果，演進(jìn)為云原生、大數(shù)據(jù)基礎(chǔ)設(shè)施，能夠承載跨物理域模型、減少昂貴的數(shù)據(jù)遷移，最終將設(shè)計(jì)階段與運(yùn)行階段數(shù)據(jù)整合為統(tǒng)一、可擴(kuò)展的系統(tǒng)。

部分企業(yè)已采用大數(shù)據(jù)技術(shù)，打造專門面向芯片設(shè)計(jì)的數(shù)據(jù)基礎(chǔ)設(shè)施，例如如今并入新思科技的Seascape數(shù)據(jù)庫。新思科技產(chǎn)品營銷總監(jiān)Marc Swinnen表示，他們重寫了大量工具，讓它們直接運(yùn)行在Seascape之上，通過MapReduce等大數(shù)據(jù)技術(shù)，部分工具可以原生部署在云端。在EDA行業(yè)，通常是先做數(shù)據(jù)庫或工具，再考慮如何上云，而Gear創(chuàng)始人的思路相反，是云優(yōu)先，算法再去適配。當(dāng)多個工具都在Seascape上時，可以實(shí)現(xiàn)傳統(tǒng)系統(tǒng)無法做到的深度數(shù)據(jù)融合與聯(lián)合分析。

工程數(shù)據(jù)價值極高，但過去長期處于高風(fēng)險、弱治理狀態(tài)。ChipAgents首席執(zhí)行官William Wang表示，RTL、規(guī)格書、波形、日志、ECO歷史都極度敏感、碎片化且難以審計(jì)。數(shù)據(jù)質(zhì)量，而非模型質(zhì)量，才是瓶頸。無論模型多大，錯誤上下文都會導(dǎo)致智能體輸出錯誤。這意味著安全與溯源比規(guī)模更重要。用戶不再只關(guān)心大數(shù)據(jù)，更關(guān)心數(shù)據(jù)來源、權(quán)限、被哪些模型使用過。為解決數(shù)據(jù)質(zhì)量、安全與溯源問題，有效的做法是嵌入工作流的數(shù)據(jù)治理，數(shù)據(jù)管理必須融入工程流程，而不是放在獨(dú)立平臺里。每份成果都需要?dú)w屬、溯源和權(quán)限，溯源與訪問控制必須默認(rèn)開啟，現(xiàn)在還可以通過智能體介導(dǎo)訪問，由智能體自動管控可見范圍與安全使用規(guī)則。

弗勞恩霍夫研究所研究員Martin Neumann-Kipping認(rèn)為，今天談AI，必須拋棄大數(shù)據(jù)就是答案的觀念，大數(shù)據(jù)熱潮已經(jīng)在退去，單純收集盡可能多的數(shù)據(jù)不再是終極目標(biāo)。企業(yè)需要的是有信息含量的數(shù)據(jù)，描述清晰、關(guān)聯(lián)充分、上下文準(zhǔn)確。大多數(shù)企業(yè)的問題不是數(shù)據(jù)不夠，而是數(shù)據(jù)被鎖在豎井里，每個豎井本身都有價值，但真正的潛力在于打通它們，把生產(chǎn)系統(tǒng)看作整體，從而建立關(guān)于系統(tǒng)的真實(shí)知識庫。要做出優(yōu)秀的AI方案，僅僅擁有數(shù)據(jù)遠(yuǎn)遠(yuǎn)不夠，必須精確知道數(shù)據(jù)代表什么，需要語義描述、本體論、統(tǒng)一的數(shù)據(jù)語言。企業(yè)現(xiàn)有數(shù)據(jù)管理系統(tǒng)可以是很好的基礎(chǔ)，但需要擴(kuò)展語義層，跨源連接信息。AI時代的數(shù)據(jù)管理不是獨(dú)立話題，而是前提條件。如果不投入精力去描述、結(jié)構(gòu)化、關(guān)聯(lián)數(shù)據(jù)，就永遠(yuǎn)只能做狹隘、局部的優(yōu)化。如果把數(shù)據(jù)當(dāng)作系統(tǒng)數(shù)字孿生的一部分，就能優(yōu)化整個流程，而不只是孤立環(huán)節(jié)，這才是AI在工業(yè)界真正的長期價值。

幾年前，英偉達(dá)CEO黃仁勛曾說，未來工程師會成為AI智能體的管理者。沿著這個方向，EDA數(shù)據(jù)管理員的需求正在快速增長，其職責(zé)是確保數(shù)據(jù)結(jié)構(gòu)化、配有正確元數(shù)據(jù)、格式合規(guī)、目錄清晰、權(quán)限合理等。西門子Sitapure表示，這類角色的重要性正在顯著提升，它可能看起來不那么光鮮，處于設(shè)計(jì)后端，但卻是基礎(chǔ)性角色，必須有人搭建這套體系，并且需要大量投入。從企業(yè)級AI視角來看，全行業(yè)都必須加大數(shù)據(jù)管理與結(jié)構(gòu)化投入，否則就是垃圾進(jìn)，垃圾出。

企業(yè)規(guī)模越大，數(shù)據(jù)越容易碎片化，并購后尤其嚴(yán)重。是德科技Rance表示，不同部門用著不同的數(shù)據(jù)管理系統(tǒng)，有些甚至不用系統(tǒng)，只用Confluence、SharePoint、文件服務(wù)器，沒有索引、沒有目錄、沒有版本控制。當(dāng)數(shù)據(jù)到處分散時，AI會出現(xiàn)延遲、重復(fù)，進(jìn)而因數(shù)據(jù)質(zhì)量、位置、可達(dá)性、算力等問題引發(fā)幻覺。找數(shù)據(jù)和數(shù)據(jù)質(zhì)量本身才是很多問題的根源。過去企業(yè)沒有專人來清理數(shù)據(jù)，現(xiàn)在必須有這類角色和數(shù)據(jù)治理團(tuán)隊(duì)，明確如何結(jié)構(gòu)化數(shù)據(jù)、存儲位置、唯一可信源、數(shù)據(jù)安全、加密、防泄漏以及算力支撐。

歷史上，很多數(shù)據(jù)管理系統(tǒng)都運(yùn)行在普通服務(wù)器或工作站上，但要真正支撐模型訓(xùn)練、推理和流程編排，數(shù)據(jù)必須放在高性能計(jì)算平臺上。Rance表示，底層也存在IT和基礎(chǔ)設(shè)施問題，現(xiàn)在大家都聚焦于如何創(chuàng)建和管理模型，卻發(fā)現(xiàn)必須先整理數(shù)據(jù)、存儲位置、算力資源和安全問題。把基礎(chǔ)打好后，下一個挑戰(zhàn)就是建立唯一可信源，并在設(shè)計(jì)流程中保留以往從未保留過的數(shù)據(jù)，用于機(jī)器學(xué)習(xí)，這會讓數(shù)據(jù)量暴增，而傳統(tǒng)IT服務(wù)器根本沒有為這種海量存儲做過配置。

向全新數(shù)據(jù)管理理念轉(zhuǎn)型，也帶來了獨(dú)特的組織挑戰(zhàn)。Rance說，以前合作的主要是工程師、架構(gòu)師、CAD團(tuán)隊(duì)、工程管理層，現(xiàn)在還要加上IT、安全工程師、安全專家，在大型客戶那里甚至需要法務(wù)團(tuán)隊(duì)參與，評估數(shù)據(jù)風(fēng)險、分級規(guī)則，確保受出口管制的內(nèi)容不會進(jìn)入機(jī)器學(xué)習(xí)。這些工作以前由不同團(tuán)隊(duì)在后臺分別完成，現(xiàn)在所有角色都要參與整體方案評估，事情明顯變得更復(fù)雜。