大约二十年前，我曾与的前身。能由LC Lu这样拥有深厚研发经验的人士来领导台积电设计与技术平台，这的确是一项莫大的荣幸。
人工智能给半导体设计人员带来了两个相关的难题：他们必须提供更强大的计算能力用于训练和推理，同时还要控制能耗和成本。台积电LC Lu博士在台积电开放创新平台论坛上的演讲阐述了一种应对方案，该方案围绕更高效的晶体管、更紧密的逻辑和存储器集成、更大的多芯片封装、光连接以及人工智能辅助的芯片设计展开。
核心挑战在于单位能量的有效做功。人工智能系统的成本不仅取决于处理器计算速度，还取决于其功耗和数据接收效率。训练模型需要大量的计算资源。将模型提供给用户则会带来不同的负担：每个生成的令牌都会消耗处理能力、内存访问和通信资源。随着推理使用量的增长，即使每个令牌的能耗略有降低，也能对整个数据中心产生显著影响。
系列产品为设计人员提供了多种选择，有助于平衡性能和能效。
这些都是至关重要的任务，但自动化的评判标准不应仅仅局限于工具的响应速度，而应以最终设计的质量为准。任何拟议的变更仍需满足电气、热学、时序和制造方面的要求。人工智能代理可以生成多种方案并全天候重复运行工具流程；工程师和经过验证的设计工具必须确认最终结果有效。台积电表示，与生态系统合作伙伴共同构建自主人工智能工作流程是2026年论坛的重点，而其已建立的开放创新平台则整合了设计工具、知识产权和制造指导。
在这种情况下，共享设计描述至关重要。LC Lu 探讨了3Dblox，它是一种描述复杂多芯片架构的方法，使不同的工具和组织能够基于一致的信息开展工作。台积电此前已推出用于三维芯片设计的 3Dblox，旨在提高设计工具之间的互操作性。对于由多个芯片组装而成的封装，这种通用表示方法可以降低团队对连接或物理布局做出不兼容假设的风险。
总而言之，人工智能的发展越来越依赖于改进整个计算系统，而不仅仅是提升单个处理器的速度。内存带宽、封装集成、网络、能源供应以及产品设计和验证所需的时间都可能成为制约因素。台积电的报告将这些制约因素描述为相互关联的工程问题：改进芯片、缩小组件间距、提高数据传输效率，并帮助设计人员应对由此产生的复杂性。
（来源：编译自semiwiki，谢谢）
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。