先进验证技术：铺平下一代AI芯片之路

Hey Siri，今天天气预报如何？

我们日常依赖Siri等AI助手完成从播放音乐到日历管理的任务，凸显保护个人数据的挑战日益严峻。随着AI采用加速和数据泄露风险上升，芯片架构师必须在AI性能和安全上双创新，满足对更智能、更安全硬件的升级需求。

现代数据驱动负载——从自动驾驶到高性能计算——依赖专用芯片，融合高功耗效率与稳健决策逻辑。这些专用架构必须在性能、能耗、定制智能间取微妙平衡。

随连接设备激增，AI指数级增长潜力及市场影响力快速扩大。然而许多关键AI运算必须直接在硅上执行以反映真实延迟和吞吐量。因此定制AI芯片成为可扩展、成本效益集成的必需。

当今AI、ML、DL硅片具有复杂数据路径执行精确算术。此复杂性要求先进验证策略以安全驱动创新。

几乎人人都在设计芯片

摩尔定律逼近极限，提升通用处理器性能变得挑战重重。为应对，传统半导体圈外公司纷纷投资自研芯片设计。

Google、Amazon、Meta等科技巨头开发专有ASIC加速AI负载、满足独特应用需求。此转变为满足现代芯片开发需求的创新设计工具打开机遇之门。

AI芯片设计：控制路径不同

驱动AI SoC投资的关键因素是其跨分布式核心并发执行大量任务的能力，超越传统CPU并行极限。AI设计具数据密集型流水线：编排状态机的控制路径、执行算术运算的计算块。二者共同实现支撑AI负载的重复确定性计算大规模加速。

单个算术单元虽简单，但随模块数和位宽增长，整体复杂度飙升，给验证团队带来更重负荷。

过去十年，数据中心计算远超桌面和服务器环境。考虑简单4位乘法器：验证所有2⁴（16）输入组合可行，但64位加法器需验证2⁶⁴可能状态——传统方法不可行。此例说明为何随AI芯片采用激增和数据量爆发，现代可扩展验证技术至关重要。

终极考验：验证挑战

设计团队典型从C/C++模型起步——快速、表达力强的语言描述功能。下一步将这些模型综合为RTL（寄存器传输级）用于硬件实现。验证RTL忠实实现C/C++行为，要么需详尽测试向量，要么对比原始高层模型——两者均令人生畏。

形式验证通过数学证明整个硬件设计满足一组行为断言来应对挑战。而非枚举每个输入组合，模型检查器针对断言分析设计，提供详尽覆盖。

几年前形式验证因高层断言编写复杂而小众。如今，RTL设计师和验证工程师相对轻松掌握这些技术。

然而，随AI芯片规模扩大、结构精细化，单纯模型检查不足。依赖传统验证方法变得极其耗时且无效。

AI和ML应用需要额外助力

等价检查等先进形式方法给工程师验证复杂AI数据路径的强大工具。通过比较两个表示——典型为高层C/C++模型和低层RTL实现——等价检查要么证明设计功能等价，要么定位差异。这些引擎甚至在两表示抽象层级或语言不同时依然卓有成效。

将RTL实现与高层C/C++模型比较，验证相同输入产生相同输出。此法契合许多AI工作流，因大多数团队已用C/C++模型做仿真和早期软件开发。

形式等价检查仍是针对经验证参考模型进行详尽验证的唯一方法。为支撑AI快速演进，验证工具必须用户友好、可扩展、配备高级调试功能。

前沿：同态加密

每日万亿字节数据洪流要求高性能硅，必然推高位宽需求。全球研究者探索更大输入宽度、设计处理此涌入的芯片。

随之而来，硬件安全至关重要。同态加密使硅能在加密数据上执行算术，保护隐私同时保持功能。利用此能力，需要下一代验证和设计工具。

边缘AI将驱动实时海量数据计算爆发

自动驾驶车辆撞上未见障碍物凸显验证不足的代价。随AI丰富边缘设备需求激增，实时数据处理将爆发，重塑半导体设计走向更高生产力、加速上市、更稳健验证。

AI优先时代迅速逼近，比以往更可及。我们能否维持创新步伐足以实现它，仍待观察。