然而开发软件可以通过对逻辑本身的不断论证和验算，来求出更有效率的解，或者使用更庞大的数据库来训练，增加模型可靠性。ic 设计过程会受限于 ic 的类型以及要解决的问题类型，不同应用的 ic 可能布局就完全不同，甚至同一应用，但以不同终端为设计目标的 ic，也需要不一样的设计流程。
所以机器学习在 ic 设计上需要更多的训练，而这些训练是集中在 ic 的设计方法上，要考虑到发热均衡、电子信号流动距离、工艺库、金属层、工具链等，由于要同时考虑半导体材料的物理问题，情况要更复杂。最核心部分的逻辑处理方面，就类似 ai 程序中的模型，必须依照求解问题的类型来决定使用何种逻辑，比如说面对绘图处理或是大量的平行计算需求，我们会选择 gpu，一般通用计算则是使用 cpu，若是神经网络模型的处理和加速，则是采用 npu 结构。
目前在 ic 设计的训练需求方面，由于牵扯到各家 ic 设计公司的机密技术，很难从公开管道获得学习的方法，也就是说，未来 ai 化 ic 设计在机器学习所需要的数据来源，可能仅能限定于自家设计的方案，导致参考性有限，未来较难做到完全的自主。而虽然代工厂可以获得大量的 ic 设计关键数据，但为了保护客户设计，即便是 eda 公司也很难从这些管道得到大数据。
市场竞争的激烈导致 ic 设计公司不愿透露数据给 eda 公司作为建立模型使用，毕竟当 eda 工具自动化程度越高，能做到的项目越多，对 ic 设计业者而言，虽可能带来更大的便利，但同时也可能会引进更多的竞争者，而这就是目前 eda 工具要 ai 化的两难之处。
除了 google 以外，也有越来越多厂商正在发展类似 automl 之类的自动化 ai 工具，比如说由英特尔实验室的 ai programmer、微软的 deepcoder；eda 工具厂商也都在想办法解决大数据共享与取得问题。未来我们要建立自己的 ai 模型，可能根本不需要学习如何编程，而是只要选择正确的工具，并输入正确的数据集，工具就能自动建立好模型。而 ic 设计业者花费在 ic 布局与验证的时间也可望借助高度 ai 化的 eda 工具而大幅减少，开发人员可以专注于核心的逻辑算法结构部分。
就好像一般客服或者是重复性文书处理工作，未来肯定会被大幅取代，如果在软件公司中负责的工作只是简单的接口设计，或是一般程序设计或建模工作者，那可能不久之后也要担心饭碗问题，不过核心算法或设计者短时间内还是很难被 ai 取代，暂时还可以高枕无忧。
ic 设计方面也是类似的情况，基础的调试工作，或者是 ic 内部的基本布局设计工作可能会被 ai 大量取代，但是关键的主要架构部分，比如说 nvidia gpu 中的 cuda 单元，x86 cpu 之中的译码与分支预测结构，这些短时间之后都不是 ai 能够自主的设计。
当然，这也代表，未来不论在软件或者是 ic 设计中，实际需要的开发人员将可能大幅降低，并走精兵政策；晶圆代工厂中的机台调试人员大概也都会被 ai 取代，毕竟调试工作没有比 ai 更能刻苦耐劳和细心的了，晶圆代工厂中需要的人类员工，大概就剩下精通材料及工艺发展的少数高端核心人才。
从另一个角度来，ai 自主设计开发 ic 与软件的技术所带来的变革，主是对既有半导体产业带来新的变化，也可能进一步改变传统价值链的分工体系，不论是华为海思形态的发展模式，又或者如鸿海大范围覆盖多个领域的战略布局，ai 将会许多企业开启新的战略思考方向，不论是垂直形态的横跨上下游发展，又或者是水平形态的跨产业领域全面植入 ai 能力，由 ai 带来的革命性变化效力之大，将不容小觑。
来源：deeptech深科技
