未來芯片工程師，應該具備的技能

公眾號記得加星標??，第一時間看推送不會錯過。

在 Synopsys Converge 主題演講之前，Semiwiki采訪了 Synopsys 首席產品管理官 Ravi Subramanian，他重點談到了塑造人工智能、半導體技術和工程未來發展的幾個重要趨勢。他的討論主要集中在硅芯片設計和系統工程領域如何融合，而這種融合很大程度上是由人工智能的快速發展以及對更高效計算基礎設施的需求所驅動的。這次對話深入剖析了將定義未來十年創新發展的技術、經濟和工程挑戰。

我（指代本文作者，下同）和Ravi很熟。我曾在Berkeley DA為他工作，為他提供代工戰略方面的建議，特別是如何更好地與臺積電合作。我在Solido Design也擔任過類似的職位，當時希望兩家公司能夠合并。后來Mentor介入，收購了Berkeley DA和Solido，剩下的故事大家都知道了。有趣的是，Solido的前CEO Amit Gupta現在在西門子EDA負責人工智能戰略。世界真小。兩位老朋友如今成了競爭對手，我會在另一篇文章中詳細討論這一點，但你肯定不想錯過這篇文章。

拉維首先探討的觀點之一是“融合”（Converge）這一活動的意義。它象征著兩個傳統上各自獨立的工程領域——硅工程師和系統工程師——的融合。硅工程師專注于設計半導體芯片，而系統工程師則設計汽車、醫療設備和工業機械等完整的產品。過去，這兩個領域相對獨立運作。然而，現代技術，尤其是人工智能驅動的技術，要求這兩個學科緊密合作。例如，自動駕駛汽車、機器人和智能設備都依賴于專用芯片、復雜的軟件、傳感器和物理系統的協同工作。因此，硬件工程和系統工程之間的界限正變得越來越模糊。

本次訪談的另一個主要主題是人工智能系統性能的衡量方式。傳統上，業界關注的是“每秒令牌數”等指標，該指標衡量人工智能系統處理信息的速度。然而，Ravi解釋說，業界現在更加關注基于效率的指標，例如“每美元令牌數”和“每瓦令牌數”。這些指標評估的是相對于成本和能耗而言，人工智能能夠執行多少有效的計算。這種轉變至關重要，因為運行大型人工智能系統成本極高且能耗巨大。例如，Ravi提到，人工智能輔助搜索查詢所需的能量可能是傳統搜索查詢的四到六倍。隨著人工智能的廣泛應用，提高能源效率將成為科技行業面臨的最嚴峻挑戰之一。

拉維還將人工智能技術與全球經濟增長聯系起來。他解釋說，目前全球經濟年產值約為117萬億美元。其中，約41萬億美元來自需要工程設計和制造的實體產品，約60萬億美元來自服務業。許多經濟學家認為，未來25年全球GDP可能會翻一番，達到約250萬億美元。拉維表示，這種增長很大程度上將由人工智能帶來的生產力提升所驅動。然而，這些人工智能系統嚴重依賴先進的半導體和計算基礎設施，這意味著半導體行業將在推動未來經濟擴張方面發揮核心作用。

為了解人工智能硬件的未來發展方向，Ravi 指出了決定人工智能系統性能的四個關鍵組件：計算、互連、存儲和電源。計算指的是處理器，例如 GPU 和專用人工智能加速器，它們負責執行訓練和運行人工智能模型所需的計算。互連指的是在芯片和計算節點之間傳輸數據的技術。高效的數據傳輸至關重要，因為數據傳輸通常比執行計算本身消耗更多電量。存儲，尤其是高帶寬內存，是另一個重大挑戰，因為現代人工智能模型需要海量數據才能有效運行。Ravi 警告說，如果人工智能數據中心消耗掉大部分可用內存資源，內存供應短缺甚至可能擾亂某些行業。最后，電源消耗是一個主要制約因素，因為大型人工智能系統需要大量的電力才能運行。

此次訪談還強調了半導體供應鏈可能發生的重大變革。拉維指出，隨著各公司調整制造工藝、設計方法和基礎設施以支持人工智能經濟的蓬勃發展，半導體行業正步入重大轉型期的第一個十年。這一變革將影響從芯片架構到存儲器生產和數據中心設計的方方面面。

總而言之，拉維強調，未來的工程師需要具備跨學科的廣泛知識。系統工程師必須了解半導體技術，而芯片設計師則必須了解現實世界的物理原理和系統行為。隨著人工智能不斷擴展到機器人、自主系統和其他形式的“物理人工智能”，軟件、硬件和物理系統的集成將變得日益重要。這些領域的融合最終將決定技術創新的未來。

https://semiwiki.com/eda/synopsys/367459-ravi-subramanian-on-trends-that-are-shaping-ai-at-synopsys/

（來源：編譯自semiwiki）

*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。

今天是《半導體行業觀察》為您分享的第4344內容，歡迎關注。

加星標??第一時間看推送

求推薦