來源：半導體產(chǎn)業(yè)縱橫

數(shù)據(jù)之亂，正在拖慢整個芯片AI。

將人工智能融入芯片設計流程，正推動企業(yè)全面重構數(shù)據(jù)管理策略，從被動存儲轉向主動、結構化、機器可讀的系統(tǒng)。隨著訓練與推理負載不斷增長，數(shù)據(jù)遷移、擁堵和能效已成為核心挑戰(zhàn)，其重要性甚至超過了單純的算力。EDA專用且復雜的數(shù)據(jù)格式，加上公開數(shù)據(jù)有限，使得針對半導體設計的AI模型微調變得非常困難。無論是用于RAG還是模型微調，都需要大量解析工作和深厚的領域專業(yè)知識。AI正迫使半導體企業(yè)從底層重新思考數(shù)據(jù)管理，將其從被動存儲轉變?yōu)橐婚T主動的工程學科。

工程團隊首先必須將分散的日志和設計成果整合到機器可讀的數(shù)據(jù)湖中，用元數(shù)據(jù)和本體論進行豐富，并在工具之間搭建穩(wěn)定的數(shù)據(jù)流管道。為此，他們會使用智能助手、檢索增強生成（RAG）和微調模型，而這一切都必須在嚴格安全與本地部署的約束下完成。隨著數(shù)據(jù)量增長，企業(yè)將需要新增EDA數(shù)據(jù)管理員這類角色，并持續(xù)投入數(shù)據(jù)結構與質量建設。無論工程團隊使用RAG、訓練模型還是微調數(shù)據(jù)，數(shù)據(jù)如果只是躺在那里，就毫無價值。歷史數(shù)據(jù)與現(xiàn)有數(shù)據(jù)必須從不同集群、工具和項目中收集，再按項目、流程階段和團隊進行清洗與整理。此外，代碼、文本、圖像、時序數(shù)據(jù)和二進制格式都需要解析與分塊。這些需求共同推動團隊轉向集中式數(shù)據(jù)湖和向量數(shù)據(jù)庫，取代臨時文件共享，數(shù)據(jù)管理也更強調機器可讀性與檢索能力。這也解釋了為什么如今圍繞AI設計的數(shù)據(jù)管理活動如此活躍，而僅僅一年前，行業(yè)還更關注可以使用哪些AI工具。

是德科技EDA部門IP與數(shù)據(jù)管理業(yè)務總經(jīng)理Simon Rance表示，當時大家問的問題是需要在方法或設計流程中做哪些改變，才能融入并利用AI，他們也在思考如何訓練AI。隨著企業(yè)開始真正思考并著手落地，這個領域不斷發(fā)展。企業(yè)面臨數(shù)據(jù)安全挑戰(zhàn)、算力問題、AI計算的能耗問題。現(xiàn)在人們越來越了解AI幻覺及其成因，也想知道如何緩解或減少幻覺。當前的重點大量集中在數(shù)據(jù)安全上。相比于創(chuàng)建大語言模型或訓練方法，數(shù)據(jù)編排的優(yōu)先級變得更高。大家都想直接深入應用，但如果基礎沒打好，就會在各種地方卡住，很多企業(yè)確實卡住了，某種程度上就像陷入癱瘓。這不是只改一個點就能解決的問題，會引發(fā)一連串連鎖反應。

西門子EDA生成式AI產(chǎn)品總監(jiān)Niranjan Sitapure也持相同觀點。從AI設計對數(shù)據(jù)管理的影響來看，主要可以分為兩類，一類是訓練新AI模型、大模型或微調現(xiàn)有模型，另一類是檢索增強生成（RAG），不需要訓練或微調模型，也能利用已有數(shù)據(jù)。第三類，對半導體設計尤其重要，是前兩類都共用的數(shù)據(jù)格式問題。像ChatGPT、Gemini這類大模型非常擅長文本、代碼和多模態(tài)處理，因為它們在互聯(lián)網(wǎng)上有大量這類格式的數(shù)據(jù)。但在EDA領域，代碼高度專有，存在專用語言，很多EDA工具還有自己的語法且不對外公開，即便是最新模型也很難獲取這些信息。部分EDA數(shù)據(jù)的格式甚至不支持機器讀取，即便有圖像和表格，也都是極其復雜的電路圖、原理圖，當前AI模型很難理解其含義。這直接影響模型微調和RAG兩類應用。

Sitapure指出，在微調方面，現(xiàn)有模型并沒有EDA數(shù)據(jù)，它們可能很擅長寫Python代碼、回答光刻原理這類通用問題，但并不真正懂如何深入設計電路。此外，微調需要大量數(shù)據(jù)，而很多芯片設計數(shù)據(jù)并不在EDA廠商手里，而是在客戶和代工廠手中，它們不會公開。想要微調當前頂尖模型，既要解決EDA文件格式解析問題，又要面對公開數(shù)據(jù)不足的問題。而在RAG方面，比如在工具里打開一個設計做DRC，想理解設計狀態(tài)或從日志文件排查錯誤，這類場景用RAG會更可行、更直接。

工程團隊主要有兩種應對方式。第一種是為所有數(shù)據(jù)搭建智能助手，配合RAG使用，相當于EDA領域的ChatGPT，廠商提供模型、RAG管道和友好界面，用戶直接提問即可。另一些用戶則希望擁有自己的微調AI模型，他們希望搭建訓練或微調管道，在不同設計上運行仿真，讓本地AI模型理解仿真數(shù)據(jù)，預測運行時間、內存占用，甚至預估PPA。目前EDA廠商會向用戶提供這類技術。用戶將信息集中到自己的機器可讀數(shù)據(jù)湖中，再整體遷移到EDA廠商的AI服務基礎設施里，但數(shù)據(jù)保留在本地、完全物理隔離，既保證安全，又能精準響應用戶需求。換句話說，AI芯片與系統(tǒng)設計迫使數(shù)據(jù)管理從孤立、基于文件的結果，演進為云原生、大數(shù)據(jù)基礎設施，能夠承載跨物理域模型、減少昂貴的數(shù)據(jù)遷移，最終將設計階段與運行階段數(shù)據(jù)整合為統(tǒng)一、可擴展的系統(tǒng)。

部分企業(yè)已采用大數(shù)據(jù)技術，打造專門面向芯片設計的數(shù)據(jù)基礎設施，例如如今并入新思科技的Seascape數(shù)據(jù)庫。新思科技產(chǎn)品營銷總監(jiān)Marc Swinnen表示，他們重寫了大量工具，讓它們直接運行在Seascape之上，通過MapReduce等大數(shù)據(jù)技術，部分工具可以原生部署在云端。在EDA行業(yè)，通常是先做數(shù)據(jù)庫或工具，再考慮如何上云，而Gear創(chuàng)始人的思路相反，是云優(yōu)先，算法再去適配。當多個工具都在Seascape上時，可以實現(xiàn)傳統(tǒng)系統(tǒng)無法做到的深度數(shù)據(jù)融合與聯(lián)合分析。

工程數(shù)據(jù)價值極高，但過去長期處于高風險、弱治理狀態(tài)。ChipAgents首席執(zhí)行官William Wang表示，RTL、規(guī)格書、波形、日志、ECO歷史都極度敏感、碎片化且難以審計。數(shù)據(jù)質量，而非模型質量，才是瓶頸。無論模型多大，錯誤上下文都會導致智能體輸出錯誤。這意味著安全與溯源比規(guī)模更重要。用戶不再只關心大數(shù)據(jù)，更關心數(shù)據(jù)來源、權限、被哪些模型使用過。為解決數(shù)據(jù)質量、安全與溯源問題，有效的做法是嵌入工作流的數(shù)據(jù)治理，數(shù)據(jù)管理必須融入工程流程，而不是放在獨立平臺里。每份成果都需要歸屬、溯源和權限，溯源與訪問控制必須默認開啟，現(xiàn)在還可以通過智能體介導訪問，由智能體自動管控可見范圍與安全使用規(guī)則。

弗勞恩霍夫研究所研究員Martin Neumann-Kipping認為，今天談AI，必須拋棄大數(shù)據(jù)就是答案的觀念，大數(shù)據(jù)熱潮已經(jīng)在退去，單純收集盡可能多的數(shù)據(jù)不再是終極目標。企業(yè)需要的是有信息含量的數(shù)據(jù)，描述清晰、關聯(lián)充分、上下文準確。大多數(shù)企業(yè)的問題不是數(shù)據(jù)不夠，而是數(shù)據(jù)被鎖在豎井里，每個豎井本身都有價值，但真正的潛力在于打通它們，把生產(chǎn)系統(tǒng)看作整體，從而建立關于系統(tǒng)的真實知識庫。要做出優(yōu)秀的AI方案，僅僅擁有數(shù)據(jù)遠遠不夠，必須精確知道數(shù)據(jù)代表什么，需要語義描述、本體論、統(tǒng)一的數(shù)據(jù)語言。企業(yè)現(xiàn)有數(shù)據(jù)管理系統(tǒng)可以是很好的基礎，但需要擴展語義層，跨源連接信息。AI時代的數(shù)據(jù)管理不是獨立話題，而是前提條件。如果不投入精力去描述、結構化、關聯(lián)數(shù)據(jù)，就永遠只能做狹隘、局部的優(yōu)化。如果把數(shù)據(jù)當作系統(tǒng)數(shù)字孿生的一部分，就能優(yōu)化整個流程，而不只是孤立環(huán)節(jié)，這才是AI在工業(yè)界真正的長期價值。

幾年前，英偉達CEO黃仁勛曾說，未來工程師會成為AI智能體的管理者。沿著這個方向，EDA數(shù)據(jù)管理員的需求正在快速增長，其職責是確保數(shù)據(jù)結構化、配有正確元數(shù)據(jù)、格式合規(guī)、目錄清晰、權限合理等。西門子Sitapure表示，這類角色的重要性正在顯著提升，它可能看起來不那么光鮮，處于設計后端，但卻是基礎性角色，必須有人搭建這套體系，并且需要大量投入。從企業(yè)級AI視角來看，全行業(yè)都必須加大數(shù)據(jù)管理與結構化投入，否則就是垃圾進，垃圾出。

企業(yè)規(guī)模越大，數(shù)據(jù)越容易碎片化，并購后尤其嚴重。是德科技Rance表示，不同部門用著不同的數(shù)據(jù)管理系統(tǒng)，有些甚至不用系統(tǒng)，只用Confluence、SharePoint、文件服務器，沒有索引、沒有目錄、沒有版本控制。當數(shù)據(jù)到處分散時，AI會出現(xiàn)延遲、重復，進而因數(shù)據(jù)質量、位置、可達性、算力等問題引發(fā)幻覺。找數(shù)據(jù)和數(shù)據(jù)質量本身才是很多問題的根源。過去企業(yè)沒有專人來清理數(shù)據(jù)，現(xiàn)在必須有這類角色和數(shù)據(jù)治理團隊，明確如何結構化數(shù)據(jù)、存儲位置、唯一可信源、數(shù)據(jù)安全、加密、防泄漏以及算力支撐。

歷史上，很多數(shù)據(jù)管理系統(tǒng)都運行在普通服務器或工作站上，但要真正支撐模型訓練、推理和流程編排，數(shù)據(jù)必須放在高性能計算平臺上。Rance表示，底層也存在IT和基礎設施問題，現(xiàn)在大家都聚焦于如何創(chuàng)建和管理模型，卻發(fā)現(xiàn)必須先整理數(shù)據(jù)、存儲位置、算力資源和安全問題。把基礎打好后，下一個挑戰(zhàn)就是建立唯一可信源，并在設計流程中保留以往從未保留過的數(shù)據(jù)，用于機器學習，這會讓數(shù)據(jù)量暴增，而傳統(tǒng)IT服務器根本沒有為這種海量存儲做過配置。

向全新數(shù)據(jù)管理理念轉型，也帶來了獨特的組織挑戰(zhàn)。Rance說，以前合作的主要是工程師、架構師、CAD團隊、工程管理層，現(xiàn)在還要加上IT、安全工程師、安全專家，在大型客戶那里甚至需要法務團隊參與，評估數(shù)據(jù)風險、分級規(guī)則，確保受出口管制的內容不會進入機器學習。這些工作以前由不同團隊在后臺分別完成，現(xiàn)在所有角色都要參與整體方案評估，事情明顯變得更復雜。