设计重用已经成为一个主要的半导体设计行业,但这是准备使用RTL由人工智能吗?
就在几个月前,生成AI只是承诺什么可能在未来。今天,几乎每个人都与一盎司的好奇心尝试ChatGPT。大多数人似乎有点留下了深刻的印象,能做什么,但同时看到它的局限性。
几家公司的创始人迪恩Drako,告诉我:“最近,我需要写一篇专利。我在三句话描述了概念,告诉ChatGPT写我的专利。它吐出了四页纸的专利。这是完美的吗?不。是一个好的开始吗?绝对的。现在我可以写专利的两个小时,而不是四个小时。但一切都在手动检查。”
在写一个故事人工智能在EDA的使用对使用ChatGPT,问题,或类似的东西,写Verilog RTL。大多数人看不出太多的价值。ChatGPT可以被训练在现有设计,还有一些在GitHub, RISC-V,和其他存储库,但AI意义上的数量很小,甚至也许不够的开始。他们也遭受同样的问题,ChatGPT在,他们很容易受到坏数据在互联网上可用的。是谁说如果RTL好,用途和它是如何验证?
EDA确实有一些经验——一种AI,但在设计重用的感觉。加快创建所需的工业设计,可以利用大量的晶体管变得可用。他们不能做,如果他们不得不担心系统中的每个块。这些系统所需的一组丰富的通信接口,每一个被更新尽可能快,还利用新技术,成为可用来提高性能。这些产品也包含一个小的模拟组件,这是内部以外的专业知识。处理器成为一种商品,因为必要的时间和精力来保持这些更新,并建立他们所需的软件支持,做了。
IP工业出生的声明,一个设计公司应该专注于其微分器和不会花时间和金钱在大宗商品方面的芯片。认为,如果有人想专注于设计一个特定的通信标准,例如,他们可以花更多的时间和精力,如果他们那么有能力把它卖给多家公司。在这一过程中,所有的用户都会得到一个更好的设计比他们可能是自己的能力,更低的成本。
在早期的IP重用,每个设计师认为他们可以在他们的车库,开一个人的IP商店一起扔几行RTL,卖掉它。这个行业很快意识到购买平庸的RTL更昂贵的比你自己做。集成IP所需的时间和精力,无论限制它,来验证和调试的时候它被发现不工作,从没有超过他们潜在的钱救了自己。
终止了这一观念进一步和成长非常大的服务分支,Tality,其作用是设计客户需要的街区,在购买他们的开发团队,然后转卖给其他客户。它没有工作。
这个行业想要的是高质量的IP块已经添加至少同一水平的内部质量,这是灵活和易于集成,和最重要的是得到一个良好的支持组织,可以在需要时作出反应。只花了几年的那些成千上万的创业公司褶皱或被合并成几个大型组织。
那么这跟生成AI有什么关系呢?多少可以在互联网上找到的RTL质量足够用于培训?也许所有的,或没有,但往往是没有证明。很少为他们做验证环境存在能够确定简单的度量质量。设计IP也选择品质,超越他们的逻辑功能。一个特定的设计风格可以选择满足其他需求,如低功率或最小面积。这些信息已经存储供培训使用的引擎,这意味着信息无法提供时最初的选择。
但是为什么一个设计公司走这条路对商品块当他们能够买一个高质量的组件吗?为了节省执照费吗?甚至是不可能的,他们将尝试使用这个块他们认为是他们的区别。唯一的例外可能如果训练是在以前的设计做的,数据可以保密的地方。但即使这样,生成AI只能提供衍生品的设计,和任何需要在竞争中保持领先。
将这一概念再推进一步,生成人工智能,可以建立testbenches会更有用。这将作为一个独立的通道验证,因为更多的时间和精力比设计通常花在这。另外,今天验证的效率非常低,限制随机测试模式生成创建大量浪费的向量。AI在使用EDA公司今天,试图找到一些丢弃他们,但为什么不看看更换技术,早已失去了欢迎吗?
问题是有更少验证示例显示如何可以做得更好,训练他们使用现有testbench方法只让你今天你在哪里。
最近一家公司并介绍什么可能是一个中间立场。快速使用硅生成人工智能,帮助自动完成FPGA的高密度脂蛋白。它认为,“智能代码自动完成FPGA设计者提供了基于他们的代码和上下文相关的建议,消除错误,并简化代码编写过程。”
所以我不清楚如果生成AI EDA是可能的今天,还是会很有用,除了在非常有限的感觉。在软件行业表现出兴趣,他们有一个更大的例子空间开始,他们大大减少,需要考虑性能和质量指标。
|
|
|
|
|
|
|
|
|
|
留下一个回复