人工智能工具的激增似乎完全可以填補人才短缺，但仔細觀察就會發現這些技能并不完全重疊。EDA 管道的某些部分需要人類工程師，并且在可預見的未來似乎可能會保持這種狀態。

模擬設計的黑暗藝術、安全關鍵功能安全的最終決定、高級架構決策、產品創新和創造性的問題解決是人們的閃光點。

盡管預測了大規模的工作替代，但人工智能對工程工作的影響更加微妙，具體取決于任務的性質、工作的復雜性以及每個領域人工智能工具的當前成熟度。

“人工智能更難完全取代創造性的、開放式的和特定于上下文的任務，例如模擬設計和概念工作，”新思科技產品管理、高級總監 Anand Thiruvengadam 說。“人工智能更有可能增強而不是取代復雜領域的設計師，作為提高生產力的工具，而不是完全替代。”

根據 Thiruvengadam 的說法，以下是以人為本的任務：

• 架構/概念設計（跨領域）： 高級架構決策、創新產品設計和創意方向需要人類的直覺、視野和跨領域推理。

• 架構和規范定義： 設定芯片的目標、特性和約束需要對市場、客戶和技術有深入的了解。人類洞察力確保設計符合業務需求、監管要求和長期戰略。

• 模擬電路設計： 這需要深厚的領域專業知識、創造性的問題解決以及對權衡（例如噪聲、線性度、匹配）的詳細理解。人工智能工具可以協助提供仿真和布局建議，但由于模擬設計的復雜性和特定于上下文的性質，完全自動化仍然是一個挑戰。

• 安全關鍵型和高可靠性設計決策： 錯誤可能導致災難性的失敗。人類必須驗證安全功能、冗余和容錯能力。

• 驗證簽核和質量保證： 雖然人工智能可以自動執行許多驗證任務，但最終簽核需要人工判斷來解釋結果、評估風險并確保完整性，特別是對于極端情況和非典型場景。

• 物理設計收斂和制造準備： 有關產量、可制造性和工藝變化的決策需要人類專業知識。工程師應監督可制造性設計 （DFM） 的最終設計、流片簽字并評估代工反饋。

• 處理新問題和異常： 不可預見的設計挑戰、錯誤或流程問題需要創造性地解決問題和跨學科專業知識，而人工智能無法完全自動化。

未來，達爾文式的人工智能系統可能會通過隨機運行大量選項，然后選擇最有效的想法來善于解決新問題。“我不知道這是否會發生，但它肯定不會高效，”Cadence 驗證軟件產品管理高級集團總監 Matthew Graham 說。“這就是我們作為人類工程師所做的。我們說，'我需要解決這個新問題。讓我想想所有可能幫助我發揮創造力的不同事情。'我們在自己的腦海中自我選擇。走一條路，嘗試那條路，等等。人工智能，至少現在，還不能完全做到這一點。

圖1：人腦和AI可以更好地協同解決問題。 來源：Cadence

人工智能可以為設計提供一個起點。它可以縮短設計周期，幫助更快地優化，并縮短上市時間。但需要人類來理解設計試圖做什么的概念。

“這種背景是必要的，”Baya Systems 首席商務官 Nandan Nayampally 說。“盡管你希望人工智能引擎能夠理解上下文，并且肯定有改進，但它無法完全翻譯所有這些。在上下文中，有很多東西是機器沒有的，所以它需要指導。

在不同程度上，大多數公司都在考慮使用人工智能來構建硬件。“我們已經在這一領域進行了投資，因此這顯然是該行業的發展方向，”Arm 基礎設施業務高級副總裁兼總經理 Mohamed Awad 說 [1]。“問題變成了，一切都會是人工智能嗎？你只需按下一個按鈕，芯片就會出現嗎？這說明了有關軟件的問題。在 [人工智能實現] 的早期，它將主要是更高級別的功能。這將是關于精簡和簡化普通工程師的一些基本或不太復雜的任務。但如果認為人工智能不會加速許多核心設計原則和活動，尤其是更平凡的活動，那就太天真了。

需要人類：驗證、監控和培訓
人類工程師需要了解如何將準確且有用的知識引入人工智能系統，然后檢查結果是否正確。

“人工智能不應該對你的工作構成威脅，因為從本質上講，它仍然需要人類來驗證人工智能正在生產的東西確實是一個最佳系統，”西門子 EDA 混合物理和虛擬系統、汽車和軍用航空副總裁 David Fritz 說。“這不僅僅是像大型語言模型那樣閱讀論文和使用一大堆 PDF 文件。事實并非如此。這是微妙的知識。事實上，你很可能知道 A 和 B 之間存在依賴性，而我沒有意識到。我該如何找到它？你不會在某處的白皮書或博士論文中發現這一點。工程師對于使系統能夠為那些經驗不足的人做有用的事情至關重要。他們仍然需要在那里監控系統，隨著技術的進步對系統進行培訓。工程有著光明的未來，但你必須了解人工智能的作用，它不僅僅是我們命令行工具的自然語言界面。這是已經完成的工作的 90%，但需要遠不止于此。

驗證對于避免代價高昂的錯誤至關重要，它是設計過程中最耗時和最昂貴的部分。但各地的成本都在上漲。在 IC 制造中，掩模組和流片非常昂貴。PCB 板的成本也很高。

“在這里，風險緩解和上市時間是最重要的一點，”是德科技高級總監 Alexander Petr 說。“你試圖在第一次迭代中把一切都做好，以節省資金并成為第一個進入市場的人。假設你和一個團隊一起說，'我們重新調整整個事情。我們有一個人工智能可以創造解決方案。你會相信人工智能會拿出花費數百萬美元的東西嗎？您必須查看工作流程并決定在哪里注射人類。您想在哪里注入安全措施？您要在哪里注入驗證步驟？信任是好的，但驗證是游戲的一部分。如果你遵循這個思維過程，你會發現你需要的人更少。但你正在努力彌補技能差距。我不認為任何工作會被取代。他們只是會有所不同。人們不會設計。他們會驗證更多。

到目前為止，許多新的初創公司都專注于 RTL 驗證。“看看信號，告訴我是什么在運行信號，”Petr 說。“他們已經構建了人工智能工具，并且它們已被用于流片，但如果你問人們他們做了什么，它幾乎還沒有準備好投入生產。人們還不信任這個系統。建立這種信任需要數年甚至數十年的時間，并且需要經歷許多迭代。此外，如果你看看一些人工智能開發的速度，它們是以敏捷的方式完成的，這意味著快速失敗并重試。人工智能的第一次迭代存在問題。他們產生幻覺。他們認為自己做對了。就在最近，有一篇文章介紹了整個數據庫被人工智能刪除。這不是一個好的起點。我們需要回到驗證輸出需要哪些技能。我們需要弄清楚我們可以為這些驗證步驟構建哪些工具，然后我們可以自動化哪些工具。我們可以重組什么？我們可以取代什么？總的來說，從員工人數的角度來看，人工智能不會改變這一點。

模擬、混合信號黑藝術
模擬設計更加困難，而不僅僅是使用 AI/ML 工具解決的更困難的挑戰。“模擬是一個更難的領域，因為世界上的一切都是模擬的，”西門子 EDA 產品主管 Sathishkumar Balasubramanian 說。你有抽象，因為模擬非常接近物理學。你在數字設計中有 0、1 和 X 的抽象，以及你的系統、軟件等。

對于模擬/混合信號，人工智能可用于分析、優化和調試，它可以作為自然語言訓練伙伴，幫助減少學習障礙。然而，在轉向人工智能工具的過程中，有些東西會丟失。

“我曾經看過書，他們告訴你如何解決這個問題，”巴拉蘇布拉馬尼安說。“我們在實驗室里做這個工作，我們做面包板，我們做設計，我們解決一個問題，因為我們專注于解決問題。發生的事情是，人們離問題如此之遠，因為他們試圖解決一種可能幫助他們解決問題的工具。他們正在嘗試學習它，學習一種不同的語言，并學習可能幫助他們解決問題的工具是如何運作的。他們并沒有真正關注問題本身的癥結，即如何為該工藝節點設計最佳運算放大器或最佳 PLL。

模擬/混合信號變得更加困難，因為工程師通過定制工具、定制技能和定制數據庫增加了更多復雜性。“我們在一個現在變得更加復雜的棘手主題之上增加了一定程度的復雜性，”Balasubramanian 說。

其他人則認為 AMS 域很棘手。“你仍然有人考慮一些藝術，”彼得說，“他們開始手繪。他們進去，看著東西，然后說，'這看起來不對勁'，這通常意味著，'它看起來不漂亮。這不起作用。這些問題有一定的維度，維度要高得多，因為沒有標準，沒有可以遵循的規則，這主要是因為它是模擬的。模擬信號比離散信號（二進制信號）動態性更強，因此在該域中正確處理所有內容需要更長的時間。

AMS 領域的人工智能公司經常承諾進行合成，并聲稱它可以由人工智能工具生成。“但如果你深入挖掘，他們已經制定了這樣做的規則，這極大地限制了自由度，”彼得說。“要達到可以使用人工智能進行探索、發現和自動化的地步，以及您今天在這些領域擁有的自由度，將需要很長時間。您可以簡化問題并嘗試解決較小的問題。你可以讓這個看起來非常令人印象深刻。但這是一個非常有限的范圍。

安全關鍵型應用
對于航空航天、國防和汽車領域，功能安全工程師尤為重要。“假設我們需要 8 或 10 名全職安全工程師，但我們在現場只能找到 4 或 5 名。讓我們嘗試在機器學習的支持下，讓 4 或 5 名工程師獲得相同的整體凈效應，“Imagination Technologies 的工程和技術負責人、系統和功能安全工程專家 Andrew Johnson 說。“這是可能的，但我建議你剩下的 4 或 5 名工程師不能是初級工程師。他們需要是該領域非常有經驗的高級主要技術專家，很難找到。當你把人工智能納入其中時，你需要一個足夠聰明和有經驗的人，知道模型是什么，它能告訴你什么，以及是否否決模型告訴你什么。如果你因為經驗較少或沒有經驗而不知道，你只會點頭說，'計算機說是的，所以讓我們繼續前進。這可能非常危險。

與其他行業相比，航空航天/國防部門因人工智能而失業的速度可能更慢。“從本質上講，某些行業的采用速度會較慢，因為出于合法和不太合法的文化原因，這些行業發展較慢，”Cadence 的格雷厄姆說。“更有可能的是，這些工具將適應這些環境。我們必然會創建一套安全的人工智能工具，或者可以在安全環境中有效運行，而不是行業完全忽視它。我認為他們別無選擇。

這些行業必須謹慎行事，但不能忽視不可避免的事情。“這些工具更有可能適應，”格雷厄姆說。“某些工具和特定版本的工具將適應該環境，而不是該環境不采用它們。”

Vibe 編碼主管
有理由對數字原生 Z 世代和 Alpha 世代采用人工智能和尋找新角色的能力持樂觀態度，尤其是那些從小就從事編碼工作的人。“我現在有一個大學生，他對人工智能有非常具體的看法，”Arteris 首席營銷官 Michal Siwinski 說。“他有興趣做人工智能最終可能會做的一些編碼工作嗎？不，無論如何，這都是無聊的級別編碼。這是低級的東西，甚至不需要計算學位。相反，弄清楚你如何編排人工智能以及如何使用它來做更有趣的事情。你如何做機器人系統？您如何確定電氣、機械和所有這些需要協同工作的地方？這是一種完全不同的興奮程度，實際上才剛剛開始。這將是一種演變。我家里有兩個男孩。他們知道如何編碼，并且他們繼續編碼，但他們的方法是，他們不一定會編寫他們可以在 GitHub 上獲得的東西，因為它已經在 GitHub 上了。編碼仍然非常重要。

其他人則警告無監督人工智能代碼的危險。“我自己也陷入了完全依賴人工智能的陷阱，”ChipAgents 的創始人工智能工程師丹尼爾·羅斯 （Daniel Rose） 說。“如果你依賴人工智能本身，有時它會起作用，但在某些情況下，它會出現幻覺，出現問題，除非你真正知道后臺發生了什么，語言在做什么，否則你無法弄清楚。您必須了解您正在生成的代碼。只是人工智能會幫助你比你自己更快地生成代碼。

Vibe 編碼使用人工智能從自然語言提示生成功能代碼，越來越受歡迎，但它仍然不完美。“人工智能確實有妄想或幻覺，你需要具備領域專業知識和理解力，以確保給你的東西是可行的，并且能做它應該做的事情，”Baya 的 Nayampally 說。“這次迭代進展得更快，所以你必須行動得更快，但與此同時，你在需要完成的事情上會更上一層樓。” 

結論
人工智能/機器學習正在半導體設計領域取得進展。由各個設計團隊和設計基礎設施管理來決定人工智能可以信任哪些任務。

人工智能最容易接管的任務包括功能驗證、回歸測試和覆蓋率分析，這些任務越來越自動化。“人工智能驅動的工具可以生成測試平臺，預測覆蓋漏洞，甚至建議新的測試場景，”新思科技的 Thiruvengadam 指出。“這是因為這些任務是基于規則的、重復的，并且涉及大型數據集，因此非常適合人工智能自動化。此外，自動化布局和布線工具已經成熟，人工智能增強工具正在進一步提高效率。常規的數字布局任務正變得越來越自動化。

最后，在最壞的情況下，如果電網、互聯網和人工智能長期停電，我們只剩下只知道如何使用人工智能的勞動力怎么辦？“停電的可能性總是存在的，”ChipAgents 的羅斯說。“我們已經在世界各地看到了這一點，所以你需要不完全依賴人工智能的人，他們仍然可以在沒有人工智能的情況下完成工作。”

Cadence 的格雷厄姆相信人類總會找到方法。“我是一個樂觀主義者，我不認為它會發生。但必要性是所有發明的真正之母，如果我們必須處于這種情況，我們必然會發明一種解決方案。

最后，因為人們已經學會了如何學習，所以他們可以回過頭來了解過程是如何存在的。“如果合成的概念突然從地球上蒸發，我們說，'我們獲得實際面具的唯一方法就是手工完成，'我們就會弄清楚，”格雷厄姆說。“我們有這種能力。不僅如此，我們還擁有迄今為止獲得的所有數據。我們不會像第一次那樣通過反復試驗來發現它。我們曾經到達這里，我們絕對可以再次到達這里，聰明人就是聰明人，無論他們的起點是在這里、這里還是這里。