芯片设计公司前景

半导体工程与约瑟同在Sawicki坐下,IC EDA执行副总裁西门子数字行业软件;约翰Kibarian,总裁兼首席执行官PDF的解决方案;总经理和副总统约翰•李Ansys的半导体业务单元;副总裁兼总经理尼尔斯Fache PathWave软件解决方案Keysight;总裁兼首席执行官迪恩Drako IC管理;前首席执行官西蒙•雪茄烟手臂沃达丰(Vodafone)和董事会董事;普拉卡什Narain,总裁兼首席执行官真正的意图。这是第一个对话的三个部分,在现场观众面前举行ESD联盟年会。

SE:芯片设计行业面临的最大问题和最大的机会在哪里?

李:Multi-die异构3 d-ic系统是最大的机会和最大的挑战。与中国也有一个巨大的挑战,尤其是对EDA。有很多创业公司,我们卖给中国一直挑战的能力。

segar:发生的经济衰退,目前是一个挑战,但有一个机会继续投资,由于一些新技术。创建这个操场上创造的东西。但是是需要工具和流程和方法比我们现在更复杂,它需要大量的研发。所以我的要求是,请不要吝啬的研发,因为我们需要它。”

Drako:最大的问题在我们面前,到目前为止,是人工智能对行业的影响,在我们所服务的行业。人工智能在汽车行业,人工智能视频监控行业,将导致巨大的硅消费。和人工智能在EDA行业将是巨大的。我们要开发所有这些芯片,和我们将消费者的人工智能芯片,并利用工具这些人工智能芯片。渴望AI将推动移动到云快于EDA行业和客户一直想去,因为他们会渴望gpu -和系统部署大量的做所有的计算基本上AI路线或AI设计芯片。和所有的人工智能需要大量的数据。我们今天设计的芯片设计tb的数据。一旦我们踢在人工智能组件,它将是tb的数据。要创建这个疯狂的难题,我们将处理和解决。但当你开始做,你最终得到的大量数据的本地和云端,你需要在这里和那里。 Maybe you can do it cheaper on Google, but your data is still on Amazon, and so forth. So there’s going to be this huge issue of moving the data around. And there’s an opportunity to create tools that can project your data and make it appear places that it’s not, but make it useful and fast in those places. AI is an opportunity and a challenge, and the data management to deliver that AI is going to be a huge challenge for us to overcome.

Sawicki:我们不缺少挑战。经过几十年的我们的政府不知道什么是半导体,突然他们发现它是最有趣的话题可以想象。这对我们来说是一个挑战。但我们在这只是绝对惊人的地方,我们将能够赚钱,我们做什么,以及真正改变世界。这是一个非常激动人心的时刻,一个可怕的一个。

Fache:我们看到的一个挑战就是系统,如通信网络,云基础设施,和电动汽车越来越复杂的设计,测试,并建立由于性能需求,新类型的功能,和新技术。结果,产品开发团队和整个供应链的系统,将更强调虚拟样机。他们真的做出这种转变在产品开发生命周期,这样他们就可以处理的复杂性系统,子系统和组件,以及产品。他们也可以加速投放市场的时间来提高生产力,降低成本和风险。要实现这种转变,我们需要数字化工程工作流程,从需求,你可以制造一个产品满足规格。让这些数字转换为我们的行业是一个很好的机会。它需要一个开放的生态系统的连接设计、仿真、测试工具,智能工作流自动化。

Narain:设计验证和仿真的主力,这是最广泛的部署,这是正式的和静态完毕之后,这是我们的地方。静态签字是左移位的最大机会验证。这是最早的可能的设计验证。如果你将它定义为一个设计步骤,然后设计师必须参与进来。所以有很多的压力在他们的时间与这些应用程序来帮助他们创建成功最好的用户体验。有巨大的机会在设计流程,使左移位,这些应用程序需要非常及时、非常高效。面临的挑战是经济创新。我们将继续投资于技术和创新设计的速度是必要的。我们继续扩大覆盖静态签字通过产品和技术的发展。

Kibarian:制造业一直受益于下一个节点-摩尔定律,Dennard缩放,连同所有的利益的生产集中在少数超级优秀的制造商,所有在前端芯片厂,和所有在一个可控的方式。现在,因为没有更多Dennard缩放,十年没有和摩尔定律正在放缓,我们需要更多的异构系统在先进的包。创造制造业挑战因为价值不仅仅是在晶圆工厂。现在组装是相当具有挑战性的过程,测试点是更复杂的。所以有机会改善产量生产流。此外,我们使用各种硅,和我们将开始使用更多的芯片上的硅光子学和其他技术,让你更高的收益率,继续让你更多的性能/瓦特/美元,不管我们做什么Dennard缩放或摩尔定律。在制造空间,创造了一个巨大的挑战。最重要的是,由于地缘政治的原因,我们现在将供应链和移动。每次我看时,我也会害怕张忠谋谈论美国人不能制造,和芯片是浪费520亿美元。如果你看看历史数据,他是对的。 But when EDA folks look at a problem, it was like when Google looked at the advertising industry. They didn’t just own a bunch of bots that went around selling ads. They took a different approach. And there’s a much different approach we can bring to manufacturing. That will mean software and EDA will be an inflection point.

SE:你看到未来的人工智能设计吗?谁会使用它?我们将会得到更好的结果呢?是什么问题你要对付未来?

segar:人工智能可以帮助加速生产率很多。也许每个人都有玩ChatGPT,输入的东西,很惊讶于输出。你可以让它工作在各种不同的语言和它所产生的很好。有趣的是,在GitHub,他们介绍这段代码弹出,这是微软的集成和演示看起来非常酷。你从生产力将大量的代码放在一起并没有错误。我们中有多少人击败了我们的头与我们屏幕上寻找失踪的右括号,这意味着整个事情是行不通的。所有这类的东西可能只是一个过去的事情有很多自动生成的代码。在短期内,有很多自动化,可以帮助加速,你真的要用你的脑力。从长远来看,它会越来越让人印象深刻。另一方面,它将用于验证——只是生产测试用例和了解有缺陷的测试用例。这是我们很久以前就开始做。 Using machine learning to understand what’s good, what’s bad, in terms of verification will save you a lot of time, cut down compute cycles, and get you to the finish line faster. That’s going to be quite revolutionary.

Drako:我们都用这个词专家系统10,20或30年前。它的使用。验证但我们引进大型团队,这些团队由5或10或100工程师经验,这样做,和另一个5,10,或100工程师经验较少的天才。我们培训他们如何编写测试用例。你可能不需要,ChatGPT verification-equivalent节奏或Synopsys对此提供的工具,或谁创建专家系统。您可以生成大量的测试用例,或者10%的一点,你必须改正这些。但生产率的提高会带来巨大的不同。当他们最初设想的人工智能,人们认为这将是一个威胁,他们的工作,以及立即来到心灵是蓝领工人。这是完全错误的。它的白领是受到AI的威胁。 I don’t think I need a patent attorney anymore. I just describe my path to ChatGPT and it generates a pretty decent pattern. I don’t need that go spend $20,000 on that legal firm. It’s an opportunity for productivity for white collar jobs to leverage all of that AI in so many ways.

Sawicki:如果你想想接下来的八年,摩尔定律正在放缓,但集成仍进展迅速。如果你看的广度的解决方案,我们将不得不放在一起,然后在2 x因素改进每两到三年,堆栈是越来越大。所以你最终得到的这些巨大的系统级上下文,它不仅仅是一个人工智能芯片在本地做某事。放在一起是一个整体系统,工厂自动化,驾驶一辆车,和他们一起操作。验证细节是巨大的。你能想象我们试图完成,与当前国家的教育在美国和工程师的数量我们毕业与现有的资源在未来八年?它永远不会发生。感谢上帝,我们在一个地方,我们可以利用机会在我们面前。在芯片设计方面,如果生成AI进入设计空间呢?它是有用的? How would it be innovative? How would it discover what’s been done? What is the interesting connectivity? What’s being pulled together in really compelling ways? You still need to have that layer on top. What can we do to innovate on that baseline we need to get done with tools? It’s going to be an amazing ride in terms of how we take advantage of these opportunities.

SE:我们处理更多的数据比我们之前。数据好吗?我们怎么知道它是好吗?

Kibarian:的一大机会AI和毫升是改善你操作的数据。我们看到越来越多的发生。工具是帮助确保了机器的数据生产软件,测试机器,是一致的。将推出,人们将使用更多的未来10年。并不是很远。

李:有一个很有趣的作品,取数据,但你也可以增加数据。所以数字双制造设备将你提交的一切,包括一些建模错误。但是,结合数据来自制造业是一个伟大的方式实践自我修正。

Drako:人工智能的数据,实际上是很有问题的,因为每个设计房子想要控制它,不想把它其他地方。他们除了小心,除了偏执,超出控制。所以会有一个巨大的挑战对EDA行业建立的AI口径工具设计行业希望,而无需访问数据或获得数据来训练和神经网络的工具。