一方面，我对目前听到的关于企业级人工智能(AI)、机器学习(ML)和深度学习(DL)部署的惊人消息感到非常兴奋和热情。但是(总是有一个“但是”)……
实际上，在我们兴致勃勃地投入争论之前，今天早些时候有人让我解释一下AI、ML和DL之间的区别。简而言之，人工智能指的是任何能让机器模拟(也有人说“模仿”)人类行为和决策能力的技术。与此同时，ML是人工智能的一个子集，它有能力查看数据，自动从数据中学习，然后使用它所学到的知识做出明智的评估和决策。反过来，DL是ML的一个子集，它采用分层结构的算法来实现人工神经网络(ann)。通过受生物大脑神经元网络启发的架构，ann可以学习并做出比传统ML模型更复杂的评估和决策。
顺便说一句，我的习惯是每天晚上在我闭上眼睛让睡魔带我进入梦乡之前，让Alexa“给我讲一个愚蠢的猫笑话”。她昨晚开的玩笑是这样的:
问:为什么猫要过马路?
答:因为那只鸡有激光笔!
我笑了。我的妻子(Gina the Gorgeous)笑了。Alexa笑了……
说句题外话，你有没有看到赫芬顿邮报上的一篇文章，讲的是一位谷歌的工程师最近因为告诉别人这件事而被行政休假他正在研究的人工智能程序已经有了知觉?
另外，说句完全无关的题外话，你听说过澳大利亚的一家初创公司吗?他们正在培育活的人类神经元，然后将它们整合到传统的计算机芯片中这个视频(现在我不禁想起了“它还活着!它还活着!的场景，这必须是恐怖电影史上最经典的台词之一)。
当谈到使用活神经元时，“令人难以置信”这个词似乎有点不合适。另一方面，有演奏的发出难闻的气味这是第一个被创造出来的电脑游戏之一，作为这些生物-机器-大脑混合体的第一个任务之一，看起来确实有点-以一种古怪的方式。
“可是，是什么东西激起了你现在的思想，激起了你现在的思索呢?”我听见你在哭。我刚才在和Mark Richards聊天，他是高级产品营销经理Synopsys对此．
提醒一下，在2020年，Synopsys推出了DSO.ai(Design Space Optimization AI)，它被描述为“业界首个用于芯片设计的自主人工智能(AI)应用”。就像Synopsys的人说的，“DSO。人工智能在芯片设计的非常大的解决方案空间中搜索优化目标，利用强化学习来提高功率、性能和面积。通过大规模探索设计工作流程选项，同时自动化较少后果的决策，屡获殊荣的DSO。人工智能推动了更高的工程生产率，同时迅速提供了你以前只能想象的结果。”
DSO.aimakes its presence felt right at the beginning of the System-on-Chip (SoC) and multi-chip module (MCM) design process. Another tool in the Synopsys arsenal isSiliconDash，它会出现在工艺的后硅部分。SiliconDash是一款面向无晶圆厂公司的大批量工业大数据分析解决方案。它为高管、经理、产品工程师、测试工程师、质量工程师、维护工程师、设备工程师、产量工程师和测试操作员提供全面的SoC和MCM制造和测试操作的端到端实时智能和控制。
所有这些都让我们想到了Synopsys的最新产品，DesignDash，它解决了项目过程的主要数字设计和分析部分(想想“RTL到GDSII”)。
我会尽量简明扼要地转达马克告诉我的每件事。让我们从两个最大的行业挑战开始。首先是由于不断增加的设计/系统复杂性、越来越具有挑战性的PPA(功率、性能和面积)目标、设计人员资源紧张(没有足够的资源)以及低效的调试和优化工作流程所导致的设计/设计人员生产力的日益不足，所有这些都挑战了上市时间(TTM)目标。
第二个主要挑战是设计过程的可视性和可观察性差，如果我们慷慨的话，这一直是不透明的，而且其不透明度随着项目的容量和复杂性而增加。设计师和经理通常对整个设计过程的看法有限，这使得他们很难准确地跟踪正在发生的事情，同样也很难改善这种情况。
值得思考的一件有趣的事情是由各种工具生成的大量数据。一个典型的项目涉及成千上万的工具流运行任务，如设计空间探索、早期可行性分析、架构优化、块加固、退出、回归测试……等等。
在设计SoC或MCM的过程中产生了大量的数据(图片来源:Synopsys)
随着漫游指南有句名言:“太空很大。真的大了。你不会相信它有多么巨大，多么令人难以置信。我的意思是，你可能认为这是一条通往化学家的漫长道路，但这只是太空中的花生。”我对SoC或MCM设计过程中产生的数据量也有同样的感觉。很多。真的很多。你简直无法相信有这么多数据。
反过来，这让我想起了“整体侦探”德克轻轻他利用“万物之间的根本联系”来解决整个犯罪，找到整个人。我的观点是，所有SoC/MCM设计工具生成的所有数据从根本上是相互关联的。诀窍在于理解所有的连通性和依赖性。获得这种理解对于有效和高效地设计和调试是至关重要的。
像大多数事情一样，如果你大声说话，愤怒地做手势，这听起来不错，但我们这些可怜的凡人如何才能获得这种神一般的理解呢?如果你一直在关注，你可能会记得我提到过Synopsys的人刚刚推出了DesignDash，它提供了一个全面的数据可视性和机器智能(MI)引导的设计优化解决方案，以提高与SoC/MCM设计相关的有效性、生产率和效率。
DesignDash:产品调试和优化，进化(图片来源:Synopsys)
DesignDash提供了大数据+分析+学习的组合。DesignDash与Synopsys数字设计家族完全集成(包括简单的第三方工具支持)，提供从rtl到gdsii实现/签收工具的全流程数据的本地提取，并提供全面的可视化，可以一起查看所有工具的数据。此外，它还部署了深度分析和ML，以提供实时、统一、360度的设计-实现活动视图。它利用隐藏在数据中的巨大潜力来提高决策的质量和速度，然后用智能指导来增强这些决策。
这就是事情开始变得有趣的地方，因为这种能力打开了从洞察到行动的各种可能性的大门，包括业务智能(资源规划、资源使用趋势、整体资源效率)、项目智能(PPA趋势/状态、QoR因果关系和闭包、设计效率分析)和预测分析(历史模式提取、跨项目洞察、规定的闭包指导)。
一个引起我注意的例子是ML能够检测模式、识别异常，并确定跨时间和跨工具的关系。这意味着DesignDash将能够提供根本原因分析(RCA)，允许在这个和未来的项目中识别和解决在流程下游出现的问题的起源。随着DesignDash拥有越来越多的设计，事情会变得越来越有趣，这将使它能够在开发过程的早期发现问题并预测结果。
不幸的是，我的思想开始在迷宫般的可能性中自由奔放。会不会是，在未来的某个阶段，经理们会花部分时间记录团队中每个成员的情绪和心理状态?例如，“莎莉似乎心情很好”，“亨利似乎有点暴躁”，“杰克和吉尔在约会，但他们刚刚分手了。”我的想法是，当设计中的某些东西变成梨形时，系统可能会识别出这样一个事实:6个月前，cuthbert(他害怕去看牙医)发现自己有一颗蛀牙，导致注意力不集中。我还可以设想，当某些设计师一起工作时，系统会报告获得更好的结果(“如果a和B一起工作，你可以期望减少5%的面积)，而其他团队成员的组合往往没有那么有益的效果。
这让我想到了……但是不是!我拒绝被夜间新闻中“情绪预测”之类的“一波抑郁症正从东北部席卷而来”的可能性所吸引。它将在明天下午3点左右到达我们所在的地区，所以这将是一个吃快乐丸的好时机。”你呢?你有什么想法想和我们分享吗?
