AI将是国产EDA的春天？

 过去一段时间，我国半导体行业得到了快速的发展，如芯片制造、操作系统等技术均取得了很大的突破。然而，我国EDA工具的技术大门却迟迟没有被打开。

EDA，即电子设计自动化(Electronics Design Automation)的概念十分宽泛，想做芯片设计，就不离开EDA工具。在机械、智能手机、通讯设备、航空航天、生物医药等等各个涉及电子自动化的领域，通过EDA技术来完成特定目标芯片的设计，可以说是产业链上游的上游、基础的基础。

而如此重要的神兵利器，中国企业的市场认可度如何呢?答案是，毫不夸张地说，95%以上的EDA工具都掌握在美国企业手中。中国现存的10余家EDA公司，2018年销售额3.5亿元，只占到全球市场份额的0.8%，技术研发方面，也以16nm及28nm工艺支持为主。

硬件制造能力可以花钱堆设备来快速拉升，底层操作系统能够用N个“备胎”顶上，那么占据全球半导体供应链战略要地的EDA工具，又该如何寻找自己的春天呢?或许答案就隐藏在EDA正在描绘的AI蓝图之中。

单兵孤城的国产EDA

其实，早在去年“中兴事件”中，EDA工具就以大杀器的形象出现过。除了禁止卖芯片给中兴以外，全球最大的EDA公司Cadence也宣布停止对中兴服务。今年的特朗普清单中，EDA工具同样没有缺席，赫然在列。事情一旦无可挽回，中国几乎所有芯片企业都只能依靠当前版本的工具进行工作，效率大打折扣不说，还意味着很可能因为无法升级而很快落后于行业，建立在芯片能力基础上的软硬件自然也就成了无本之木、无源之水。

从理性的角度看，彻底地域化的最坏结果大概率不会出现，但EDA工具的战略地位却不得不引起重视。但话又说回来了，为什么时至今日都没有相关“备胎”出现呢?

想要寻找答案，我们需要将时间的钟摆调到1992年。

当时，中国尚处于西方对中国实行EDA禁供的窘境之中。一大批中国的科学家和工程界人士，都投入到了国家牵头的国产EDA开发之中。当时，行业涌现出了无穷的活力。

1992年，在200多个开发者的攻坚下，超大规模集成辅助设计系统熊猫IC CAD通过鉴定，覆盖了全定制集成电路正向设计的全部功能，获得当年的国家科技进步一等奖，也被视作冲破西方封锁的里程碑。

没想到的是，该项目甫一成功，对岸就迅速解除了对中国的EDA禁令，加上后来“市场换技术”的思路占主流，导致此后的十数年间，美国高端成熟的EDA工具如同狼群一般在中国市场攻城略地，中国EDA自主厂商的研发脚步也因此变缓，走上了“二次开发”“代理集成”的附属式发展道路。

一番波折之后，国产EDA就来到了一个尴尬的境地。一方面在品牌上亦步亦趋，知识产权难以把控，自然也无法形成溢价，致使中国的芯片设计企业逐渐失去了选择权和议价权。而在市场竞争中，既需要支付多套EDA工具的license专利费，高昂的成本直接拖累了设计周期及竞争力，在5nm乃至3nm等高精度芯片设计也囿于上游软件大鳄，难以施展。

这样处处掣肘的大背景下，中国EDA工具的前路在何方呢?

风水轮流转，今年看AI

今天没人能够忽视AI对社会产业带来了赋能作用，根据市场研究机构ABIResearch发布的最新报告，云端AI芯片市场将从2019年的42亿美元增长至2024年的100亿美元规模;边缘AI芯片也将以31%的年平均增长率持续扩张。而EDA作为AI芯片中不可或缺的角色，也在半导体软硬件企业、创业者与开发者的推动下，迎面撞上了新的商机与挑战。

首要的需求变化，是更高的PPA (功耗、性能、面积)目标。

想要将AI移植到智能手机、车联网、IoT等终端，具备深度学习能力的系统级芯片(SoC)就变得不可或缺，产业端对芯片封装的小型化也越来越苛刻。

在越来越小的单位面积上集成越来越多的晶体管，需要更复杂的工艺器件，电路之间的交互、热物理效应等也都会发生改变，这意味着整个设计流程都需要被重新思考，EDA工具也必须与时俱进。

同时，产业智能市场的激烈竞争，也让开发者对设计周期(Time To Market)的要求越来越高，而设计规模和规则限制也在增多，如何提升AI芯片的设计效率，减少迭代次数，进而缩短设计周期，也在倒逼EDA厂商升级。

时代浪潮的涌动之下，将AI引入芯片设计环境，就是一个水到渠成的必然选择了。

在国家战略层面，美国国防高级研究计划局(DARPA)为首的部门，开始将电子资产智能设计(IEDA) 作为代表性项目，重点突破优化算法、7nm以下芯片设计支持、布线和设备自动化等关键技术难题。

产业端，Synopsys、Cadence、Mentor，以及中国的华大等工程界也纷纷将AI设计从概念升级到实战阶段

Cadence正式推出了专门为AI设计所打造的Tensilica DNA 100处理器IP，能够利用算法提高芯片能效，功耗也大幅度降低。Synopsys也推出了内置神经网络引擎的嵌入式图像处理器，来实现内存高速存取的设计需求，还提供芯片开发初期就确保AI数据安全性的IP选项。下游的集成商如台积电，也在ARM A72和A73等内核上成功地部署了机器学习，以帮助预测最佳的单元时钟门控，提升整体芯片速度。

总的来说，AI对EDA提出了新的技术要求：一是能够以更高效率执行矩阵乘法、点积等运算任务的专门化处理;二是实现深度学习任务快速存储需求的架构创新;三是打造传递各种数据资料的连接界面。

尽管目前，国产EDA欠缺一次全面的补课，但当务之急并非盲目地一拥而上。市场的需求，产业端的算法饥渴，技术和产品填补空白的优先级，都将国产EDA工具的前路指向了AI。