ChatGPT爆火以来，引发了全球新一轮生成式人工智能的浪潮，全球科技巨头先后展开人工智能大模型的军备竞赛。可以预见，多模态大模型时代，AI开始像人类一样思考和工作，传统的交互方式、内容生成方式彻底颠覆，新的业态和商业模式将出现，诸多产业乃至人类生活也将被重构。

 大模型竞争的白热化，引发了对算力基础设施的需求飙升，而作为算力基础的高性能芯片，其设计日益复杂且充满挑战，相应地对设计芯片所用的EDA工具也提出了全新的要求。在GPT引领的新一代生成式AI浪潮下，芯片设计行业将如何利用AI+EDA工具来应对这些变革？ 

作为人工智能时代的基础设施，大模型所需的巨额算力就如同工业生产中的所需的电力，并且，随着ChatGPT迅速演进至GPT-4以上版本，对图片、语音、视频等多模态的支持使得训练任务中使用的算力呈指数级增长，催生了对算力更大的需求。 “随着AI算法和模型的规模和复杂度不断增加，AI运行所需的能耗和算力都呈指数级增长，包括训练成本和后续运营成本，尤其是目前的运营成本与使用者数量紧密相关的现状下，需要的算力相当于超1.5万颗当下最先进的GPU芯片。”新思科技资深产品经理庄定铮判断，“在AIGC时代，未来对算力的需求将每6-7个月翻倍，AI芯片成为驱动人工智能发展的核心动力。

更大、更复杂的AI模型和算法仍在日新月异地进化中，带来庞大的高性能AI芯片需求。预计到2030年，AI市场规模有望达到15970亿美元，相比2021年的870亿美元，复合年均增长率高达38.1%。”随着需求飙升，在庄定铮看来，算力俨然已成为当前限制AI发展的最大障碍。例如，随着模型参数越来越大，当前应用最广泛的GPU在提供算力支持上也存在瓶颈。在GPT-2之前，GPU内存还能满足AI大模型的需求，Transformer模型大小每两年平均增长240倍，实际上GPT-3等大模型的参数增长已经超过了GPU内存的增长。 

传统的设计趋势已经不能适应当前的需求，芯片内部、芯片之间或AI加速器之间的通信成了AI计算的瓶颈。”他指出，包括GPU、NPU、HPC等在内的高性能AI算力芯片性能提升，主要依靠芯片架构优化、制造工艺进步、算法优化等 方面提升来实现。与此同时，在算力提升的过程中也面临着一些挑战，包括能耗优化、设计复杂度不断增加，以及日益激烈的市场竞争压力等等。

 然而，摩尔定律逼近极限，传统芯片的性能提升幅度已远远跟不上AI所需的性能增长速度。传统的芯片设计过程是一项高度复杂且挑战艰巨的工作，通常需要经过数月的反复探索和调试，在此过程中不仅需要用到物理实现、仿真、验证、测试等多种EDA工具和软件，而且要求芯片设计工程师具备熟练的技能和经验。不仅如此，设计一颗芯片需要花费大量的时间和人力成本，设计过程中的任何一个错误都可能导致大量时间和资源的浪费，甚至可能导致整个项目的失败。 

幸运的是，尽管摩尔定律逐步放缓，但市场需求的爆发正在激发芯片设计领域的持续创新。“在AI技术的发展对芯片设计带来巨大挑战的同时，我们也可以将AI应用于芯片设计过程中，正所谓‘用AI帮助AI’。”庄定铮强调，“AI与EDA的双向奔赴，将开启芯片设计的下一场革命。” AI引领芯片设计的下一场革命 随着芯片设计和制造的复杂度与日俱增，AI正在给半导体行业各领域都带来新的变革，AI在设计工具的应用也在呈指数级增长。

来源：传感器专家网