2019年第一季度，EDA行业收入达到26亿美元，成为EDA历史上最强劲的季度之一。系统设计、IP、人工智能、产业快速成长的秘诀是什么？

电子系统设计(ESD)联盟数据显示，2019年第一季度EDA行业收入达26亿美元，较去年同期增长16.3%。EDA销售额的四个季度移动平均值(与最近四个季度和之前四个季度相比)增长了6.1%，这也使得2019年第一季度成为EDA历史上最强劲的营收季度之一。

这个数据让很多人目瞪口呆，包括Mentor的名誉CEO、ESD联盟的董事会成员Wally Rhines。他在早前接受EE Times采访时表示，现在不仅是备受关注的几大系统和云计算公司开始设计自己的芯片，越来越多的系统设计师也开始使用EDA工具进行系统级设计，这也导致了EDA公司越来越多。

人工智能对EDA行业的影响

除了系统级设计，人工智能对促进EDA产业发展的影响也不容忽视。

“人工智能正在为半导体行业开启几十年来最好的商业机会，它很可能成为推动半导体行业进入下一个十年增长周期的催化剂。”Menticeda执行副总裁Joseph Sawicki引用麦肯锡咨询公司和普华永道的研究报告称，在过去，无论是在PC还是智能手机时代，机会都不会持续这么久。对于半导体行业来说，即使是最火的移动时代也只提供了20%的产值。在人工智能时代，半导体公司将从技术栈中获得约50%的产值。

Joseph Sawicki，Mentor IC EDA执行副总裁

给人工智能领域带来新的发展机遇的因素，一方面来自于车联网、智慧城市、物联网、工业物联网正在将产生的海量数据源源不断地传输到云端，这一趋势极大地改变了现有的数据中心架构；除了数据中心聚合，另一个重要的趋势是大量的机器学习和人工智能设备和操作部署在边缘端，以加快数据处理和响应过程。数据显示，从2016年到2021年，边缘计算的年复合增长率将高达190%，明显高于云。

资本的动向也印证了这一趋势。如下图所示，2012-2019年七年间，风险投资机构的资金动向主要集中在机器学习和人工智能领域，合计19.06亿美元，其次是加密货币5.09亿美元和高速通信/5G 4.77亿美元。

Alphabet公司董事长约翰·汉尼斯曾指出，摩尔定律的终结和更高速通用计算的到来标志着一个新黄金时代的开始。因此，以软件为中心和以硬件为中心的传统思维都有局限性，而特定领域语言和架构更有前途。

Sawicki同意这一点，并认为特定领域的架构将是下一波增长的关键驱动力。他列举了一些特定领域的AI/深度学习控制器，其中视觉/面部识别45个，数据中心/云AI/HPC 38个，边缘计算36个，自动/辅助驾驶26个，深度学习训练14个，排名1-5。值得一提的是，虽然目前GPU仍是IC收入的最大部分，但ASIC芯片的市场增速最快。

连接AI和芯片设计的桥梁

一直以来，SoC芯片的设计方法都是基于RTL进行验证的。“但在人工智能时代，AI/机器学习IP和IC设计在架构优化、功耗预算、芯片容量和高速I/O方面面临许多挑战，IC设计师需要新的设计方法和工具，因此我鼓励他们采用高级综合(HLS)进行更多探索。”Sawicki这样说是因为在人工智能时代，算法开发平台的设计语言是C或C++等语言。为了实现统一的原生设计环境，最好使用相同的芯片开发环境。

他将HLS比作“连接AI原生环境和芯片设计的桥梁”，可以帮助客户更好地设计架构，管理内存分配和神经网络的宽度和深度，决定在芯片内部放置多少流水线等。只有管理好这些要素，我们才能为垂直应用提供优化的IC软件体验。

一旦设计方法改变，验证方法也需要改变。集成电路的传统验证方式是测试规则、架构和规范，但在AI时代，面对更多的垂直应用，验证通常发生在应用层面。需要通过相关技术模拟一个虚拟的AI引擎，然后将算法数据推送到硬件仿真系统中的AI引擎进行代码处理和最终应用，从而获得整体的性能、功耗和数据。这样可以在芯片开发出来之前，尽早掌握整个系统的性能。

Catapult HLS工具箱，包括C/C++/System C HLS、HLS验证和低功耗HLS，是门拓针对HLS方法论推出的新产品。在之前的采访中，Mentor表示AI/机器学习需要进行下一步的抽象和功耗分析。HLS结果不比手工写的RTL差，甚至更强，时间更快(可以缩短4倍)。此外，HLS易于重新映射各种技术，例如，它可以为各种技术重新映射相同的C代码，轻松切换流程，快速探索可行的替代技术并确定最佳实现。据英伟达反馈，采用Catapult HLS工具后，Tegra X1芯片验证效率提升50%，验证成本降低80%。

考虑到将AI引入EDA是大势所趋，目前，门拓正在广泛利用人工智能和机器学习来加速新产品和新技术的开发，无论是模式分析还是深度数据分析。例如，机器学习OPC可以将光学邻近效应校正(OPC)输出的预测精度提高到纳米级，执行时间缩短三倍。在此之前，完成同样的工作量，需要4000个CPU不间断运行24小时；在LFD，机器学习不仅解决了海量未标记数据的提取，还通过训练好的数据使预测更加准确。结果表明，与基于全芯片模型的仿真相比，在保持最佳精度的同时，性能提高了10-20倍。

在深度数据分析上，除了Solido的变异感知设计，还采用RCD(root cause convolution)技术消除诊断结果的噪声，减少根本原因分析的时间，找到其他导致成品率问题的深层隐藏根源，这也是AI在EDA工具中非常典型的应用。

下图是名为PAVE 360的新方案的运行结果。Mentor AI引擎让自动驾驶车辆在虚拟环境中行驶，然后将虚拟数据与左图的驾驶安全辅助设计测试软件SimcenterPrescan和右图的机电一体化系统仿真平台Simcentor Amesim连接，通过交互实现电子系统和机械系统一体化的仿真验证过程。

这个系统对芯片厂商、OEM厂商、一级厂商、OEM厂商都有很大的价值。这意味着验证测试人员不再需要行驶数千公里来验证车辆的动力总成、底盘甚至真实的道路环境。在芯片、汽车、道路造出来之前，一切都会被准确预测，大大提高了设计和制造的效率。

这个案例是数字孪生技术的真正落地。事实上，在收购了Mentor之后，西门子“也收购了很多EDA相关的企业”。包括低频设备电磁和热分析软件开发商Infolytica，增强集成电路测试的解决方案提供商Sarokal，基于机器学习和可变认知设计特性的软件开发商Solido，线束和电缆分析设计公司Comsa，ic硬件随机故障检测的安全分析/自动校正和仿真工具开发商Austemper，以增强Mentor在EDA 4.0中的设计和验证工具的功能和性能。

“EDA 4.0”由门拓中国总经理林绫在ASPENCORE举办的“2019中国集成电路领袖峰会”上首次提出。相应的，在EDA 1.0时代，基本上是最原始的门级电路设计方法论；在EDA 2.0时代，引入了RTL设计方法论，包括Cadence和Synopsys。在EDA 3.0时代，设计输入的抽象层次进一步提高，引入了基于IP重用的SoC设计方法论。一些EDA公司已经开始收购IP厂商，而ARM等独立IP厂商增长迅速。

随着自动驾驶、物联网、云计算平台、智能家居等应用场景，需要从IC到系统的完整解决方案，特定领域架构的AI加速芯片可以满足定制需求。传统的EDA门级、RTL甚至IP级设计都无法满足这种芯片设计的综合、仿真和验证要求。门拓因此提出了EDA 4.0的概念，即通过3D IC和SiP、ECAD/MCAD协同设计、虚拟/物理数字孪生系统设计等新型芯片制造技术、AI系统、大数据分析和云计算应用都可以实现。