IC 年屆花甲，EDA 邁向新紀元——AI 運算、領域特定架構、高階合成、數據自動數位化，同步發功
前言：
IC60流光溢彩2:IC 設計固本培元
年屆花甲的 IC 產業，是否已邁入「高原期」、難以再創高峰？其他電子設計自動化 (EDA) 的老將新兵又怎麼看待半導體產業的未來？曾是台灣本土 EDA 廠商代表、現轉往音訊領域開疆闢土的先進期許業界：在花了一甲子奠定「大山頭」後，要站在新的制高點為建立下個更大的山頭而努力；去年成為西門子 (Siemens) 一員的明導國際 (Mentor Graphics)，再度為「領域特定架構」(Domain Specific Architecture) ＆「高階合成工具」(High-Level Synthesis, HLS) 背書；另一家新創企業富比庫 (FootPrintKu) 則試圖運用新的觀念與技術，帶領產業做變革。
EDA 是半導體業根基，SoC 與 UI 是主幹
富迪科技 (Fortemedia) 董事長暨執行長黃炎松博士日前在《IC 60大師論壇》細數，聚焦電子設計的電腦軟體濫觴可追溯至 1970 年代做電晶體分析的 SPICE 和用於佈局 (layout) 的電腦輔助設計 (CAD)，隨後 1980 年代因 IC 體積變大，開始推廣電腦輔助工程 (CAE)，而 EDA 一詞直到 1985 年左右才出現。他以大樹比喻半導體產業生態的「生生不息」，樹根有兩大支脈：一是封裝、光罩等製造，二是 EDA 工具；樹枝是衍生出的電腦、通訊、手機、穿戴裝置與物聯網 (IoT) 等諸多應用；而單晶片 (SoC) 和使用者介面 (UI) 則是支撐整顆大樹的主幹。
富迪科技 (Fortemedia) 董事長暨執行長黃炎松博士日前在《IC 60大師論壇》細數，聚焦電子設計的電腦軟體濫觴可追溯至 1970 年代做電晶體分析的 SPICE 和用於佈局 (layout) 的電腦輔助設計 (CAD)，隨後 1980 年代因 IC 體積變大，開始推廣電腦輔助工程 (CAE)，而 EDA 一詞直到 1985 年左右才出現。他以大樹比喻半導體產業生態的「生生不息」，樹根有兩大支脈：一是封裝、光罩等製造，二是 EDA 工具；樹枝是衍生出的電腦、通訊、手機、穿戴裝置與物聯網 (IoT) 等諸多應用；而單晶片 (SoC) 和使用者介面 (UI) 則是支撐整顆大樹的主幹。
照片人物：富迪科技董事長暨執行長黃炎松博士
黃炎松認為，EDA 必須以「平方」的速率成長，才能追上摩爾定律 (Moore's law) 的腳步——電晶體數量每 18 個月就加倍，因應不斷推陳出新的 IC 設計規格；雖然各家廠商竭力從演算法創新、方法論 (methodology) 及平行運算改進，可惜，需求缺口仍不斷擴大。此外，工程專業亦是一大挑戰——若對眼下工程真的毫無所悉，是無法寫出「測試案例」的；偏偏未知範疇越來越廣，傳統電腦架構實有改弦易轍、導入人工智慧 (AI) 的必要。近幾年他觀察到，AI 運算能力是每百天就加倍！而內嵌思考與感官能力的 HOC (Head on Chip) 可能是 SOC 接班人。
「當感測晶片擁有完整的眼、耳、鼻、舌、身、意，之後再連到 AI 晶片，即成 HOC 智能感測器」，黃炎松解釋。往上方應用層能與虛擬實境／擴增實境 (VR/AR)、無人機或機器人對接，若再與精密機械合作，台灣 IC 產業潛力無窮、商機可百倍於今日，邊緣設備 (Edge) 的 IC 設計尤為看俏，而台灣獨霸全球的晶圓代工對此助力甚大，EDA 亦將隨之成長且必將加入 AI 元素。與此同時，「聲音」已是使用者介面的主要選項之一，這也是黃炎松自述離開 EDA 業界、轉而創辦富迪科技，傾力發展小型陣列麥克風 (Small Array Microphone, SAM) 的動機。
深化應用＋製程創新，矽電晶體再行廿年大運
Mentor 總裁暨執行長 Walden C. Rhines 亦預計 IC 設計將更趨活躍，且認同當中內涵正在發生質變：「領域特定架構」應蘊而生！若以 2012 年迄今的全球無晶圓廠創投基金為參考指標，由 AI 與機器學習 (Machine Learning) 以 11.63 億美元的絕對優勢居冠，加密貨幣與 5G 高速通訊分別以 4.65 億美元和 3.01 億美元位居二、三名。單是今年以來，AI 及深度學習 (Deep Learning) 的投資就達 7.86 億美元，由 14 家無晶圓新創 AI 公司分食；目前投入相關控制晶片的開發商，多以視覺／臉部辨識為主，其次為資料中心／雲端 AI／高效運算 (HPC)。
Mentor 總裁暨執行長 Walden C. Rhines 亦預計 IC 設計將更趨活躍，且認同當中內涵正在發生質變：「領域特定架構」應蘊而生！若以 2012 年迄今的全球無晶圓廠創投基金為參考指標，由 AI 與機器學習 (Machine Learning) 以 11.63 億美元的絕對優勢居冠，加密貨幣與 5G 高速通訊分別以 4.65 億美元和 3.01 億美元位居二、三名。單是今年以來，AI 及深度學習 (Deep Learning) 的投資就達 7.86 億美元，由 14 家無晶圓新創 AI 公司分食；目前投入相關控制晶片的開發商，多以視覺／臉部辨識為主，其次為資料中心／雲端 AI／高效運算 (HPC)。
照片人物：Mentor 總裁暨執行長 Walden C. Rhines
Rhines 再度搬出最愛的「岡波茨曲線」(Gompertz Curve) 論述：這個於 1825 年提出，廣泛用於預測人口成長、手機普及與財務影響的模型告訴我們，以時間序列為函數，最大成長率約落在 36.8%。以此推估，矽電晶體製程的「效用極限」將在 2038 年觸頂；有鑑於此，最遲須在 2040 年之前完成製程轉換，才能避免半導體步向衰退。在此迫切需求帶動下，Rhines 展望今後 EDA 市場將持續暢旺，動能來自於五方面：IC 本身的演進、非半導體企業的新入、創投基金的挹注、研發支出的提高，以及專用晶片 (ASIC) 的蓬勃。
圖1：以「岡波茨曲線」(Gompertz Curve) 預測半導體產業走勢
資料來源：VLSI Research (2016)
資料來源：VLSI Research (2016)
政策護航，中國大陸 IC 設計大爆發
Rhines 回顧近十年半導體產業演變歷程，IC 的年複合成長率 (CAGR) 約 3%，整體成長率有 22%，去年整體產業營收更見突然加速跡象；多項業界合併看來並未產生太大衝擊，反見 IC 研發支出不斷上揚，2017 年即增加 9.8%。再者，無晶圓廠半導體的創業投資日漸增多，中國大陸的來勢洶洶尤其值得關注——當地無晶圓廠投資於今年第二季首度超越美國，且矢志從製造轉型「設計」意圖明顯；中國大陸「國家集成電路產業投資基金」(簡稱「大基金」) 從 2014 年首發的 200 億美元、增至今年的 470 億美元，且另有 474 億美元的新基金正蓄勢待發。
Rhines 回顧近十年半導體產業演變歷程，IC 的年複合成長率 (CAGR) 約 3%，整體成長率有 22%，去年整體產業營收更見突然加速跡象；多項業界合併看來並未產生太大衝擊，反見 IC 研發支出不斷上揚，2017 年即增加 9.8%。再者，無晶圓廠半導體的創業投資日漸增多，中國大陸的來勢洶洶尤其值得關注——當地無晶圓廠投資於今年第二季首度超越美國，且矢志從製造轉型「設計」意圖明顯；中國大陸「國家集成電路產業投資基金」(簡稱「大基金」) 從 2014 年首發的 200 億美元、增至今年的 470 億美元，且另有 474 億美元的新基金正蓄勢待發。
受到政府大力支持激勵，去年中國大陸 IC 設計公司已達 1,380 家，其中，功率、類比、微機電 (MEMS)／感測器、晶圓廠和射頻 (RF) 裝置是前五大分眾應用。企業規模也有所擴增，現以 100～500 人為大宗。另一方面，谷歌 (Google)、亞馬遜 (Amazon) 和臉書 (Facebook) 開始製造自有晶片，特斯拉 (Tesla) 捨通用型 GPU 而改用專為自動駕駛系統訂製的處理器，博世 (Bosch) 甚至乾脆斥資 10 億歐元新設自有晶圓廠……。這些標誌性事件皆意味著：有越來越多企業將涉足「半導體設計」領域；惟隨著 AI 抬頭，須重新省思 IC 設計邏輯。
圖2：中國大陸無晶圓廠 IC 設計公司之分眾市場概況
資料來源：Mentor analysis (2018/07)
瞄準終端應用，「領域特定架構」厚積薄發
Rhines 說明，若以軟體為中心，現代被編譯過的腳本語言 (Scripting language) 雖具編程效率、有利於動態類型及重複使用，卻可能在執行時遭遇麻煩。反之，以硬體為中心的好處是：依循領域特定架構、只需少數工序就能運作地很好。那麼，何不兼取兩者之長——瞄準終端應用，發展「領域特定架構」。他坦言，早在 1980 年代就曾喧騰一時的 AI，正是因為當時網路／物聯網環境未成熟、缺乏可分析的大數據，加上傳統電腦晶片運算力有限、無法載入先進演算法以及無可變現的殺手級應用加持，才未能一躍而起。
Rhines 說明，若以軟體為中心，現代被編譯過的腳本語言 (Scripting language) 雖具編程效率、有利於動態類型及重複使用，卻可能在執行時遭遇麻煩。反之，以硬體為中心的好處是：依循領域特定架構、只需少數工序就能運作地很好。那麼，何不兼取兩者之長——瞄準終端應用，發展「領域特定架構」。他坦言，早在 1980 年代就曾喧騰一時的 AI，正是因為當時網路／物聯網環境未成熟、缺乏可分析的大數據，加上傳統電腦晶片運算力有限、無法載入先進演算法以及無可變現的殺手級應用加持，才未能一躍而起。
他強調，典型電腦架構的運算力雖然不斷精進，卻不適用於臉部／語音辨識等需要大幅縮短工作週期的 AI 平行運算；只有引進「領域特定架構」概念，上述問題方可迎刃而解。一家名為 Emoshape 的公司，更推出號稱全球首款內建情緒合成 (Emotion Synthesis) 引擎的「情緒處理單元」(Emotion Processing Unit, EPU)，預估在電腦遊戲、虛擬實境 (VR)／擴增實境 (AR) 深具潛力；微軟 (Microsoft) 亦為混合實境 (MR) 裝置 HoloLens 開發客製化的深度神經網路晶片。這些「領域特定架構」同樣需要設計工具的與時俱進。
「高階合成」易於轉換不同製程，探索所有設計可能
Rhines 主張，EDA 在原有萃取 (Abstraction) 與功率分析功能之外，還須向下個階層延伸、形塑「高階合成」。他歸納 HLS 擁有四大利益：1.加速產品上市並確保產出品質；2.可借用 FPGA 為單晶片 (SoC) 或 ASIC 預做原型設計；3.允許延後變更規格；4.減少驗證及除錯成本，特別適合電腦視覺／神經運算、高頻寬／蜂巢式通訊，以及影像處理／視訊／壓縮等應用。實證發現，相較於手工的 VHDL、Verilog 等暫存器傳遞語言 (RTL)，可節省四倍以上時間！HLS C++ 一脈相承，可套用在多種不同的製程技術上，且非常容易轉換，大幅降低工程複雜度。
Rhines 主張，EDA 在原有萃取 (Abstraction) 與功率分析功能之外，還須向下個階層延伸、形塑「高階合成」。他歸納 HLS 擁有四大利益：1.加速產品上市並確保產出品質；2.可借用 FPGA 為單晶片 (SoC) 或 ASIC 預做原型設計；3.允許延後變更規格；4.減少驗證及除錯成本，特別適合電腦視覺／神經運算、高頻寬／蜂巢式通訊，以及影像處理／視訊／壓縮等應用。實證發現，相較於手工的 VHDL、Verilog 等暫存器傳遞語言 (RTL)，可節省四倍以上時間！HLS C++ 一脈相承，可套用在多種不同的製程技術上，且非常容易轉換，大幅降低工程複雜度。
圖3：HLS 拉近高速 FPGA 和 ASIC 的設計差距
資料來源：Mentor 提供
如此一來，便於讓開發人員迅速探索所有可能的設計方案，進而決定最適合執行者，且可省下昂貴的遷移成本輝達 (NVIDIA) 便因此改進 50% 設計生產力，並節約 80% 驗證成本。猶記多年前眾家 EDA 廠商初倡 HLS 之際，業界就有人提及學習曲線及「與 RTL 流程整合」是關鍵；經過這些時間的努力，似乎見到打開市場的契機。Mentor 亞太區技術總監李立基補充，IC 設計從最初的原理圖到硬體 Verilog，再到如今的 C 合成，是 Methodology 的根本變革 (Revolution) 而非漸次演進 (Evolution)，工程師必須改變思維以適應新的設計。
Data is King，但分享vs.保密得謹慎拿捏
李立基還提到，數據一直是 AI 的動力來源，但如何在資料分享與保密之間取得平衡很重要，利用標準設計平台、拉近使用工具差異或是折衷方式。基本上，Mentor 也同意雲端化趨勢，而安全與使用費用是使用者的兩大考量；但李立基評估，雲端僅適合作為短期靈活使用，若是整個專案都使用雲端計價未必較划算。另西門子繼收購 Mentor 後，去年再宣佈將機器學習軟體商 Solido 納入旗下，可望借助集團資源強化變異感知設計與特徵化模擬能力，擴展 Mentor 的模擬／混合訊號 (AMS) 驗證產品組合。
李立基還提到，數據一直是 AI 的動力來源，但如何在資料分享與保密之間取得平衡很重要，利用標準設計平台、拉近使用工具差異或是折衷方式。基本上，Mentor 也同意雲端化趨勢，而安全與使用費用是使用者的兩大考量；但李立基評估，雲端僅適合作為短期靈活使用，若是整個專案都使用雲端計價未必較划算。另西門子繼收購 Mentor 後，去年再宣佈將機器學習軟體商 Solido 納入旗下，可望借助集團資源強化變異感知設計與特徵化模擬能力，擴展 Mentor 的模擬／混合訊號 (AMS) 驗證產品組合。
談到數據，Rhines 指出，西門子原本即能讓用戶存取所需資料，類似的理念用在 IC 設計上，對於逆向控管產出品質有加分作用；而 2015 年新成立富比庫公司，正是致力於研發 EDA Library 自動建置與驗證引擎的軟體商。創辦人暨執行長黃以建表示，電子業有被世人視為傳統產業之象；EDA 雖然每年都有新產品推出，但在設計及製造流程上，過去數十年其實沒有太大改變。上游元器件製造商所輸出的規格書 (Data Sheet) 是 PDF 檔，到了系統廠或 EDA 廠商手上須做大量人工輸入，才能著手生產；且一有新的元件問市，每一家都得重複動作。
照片人物：富比庫創辦人暨執行長黃以建
Auto Digitization，協助 EDA 專業知識傳承
體認到這個痛點，富比庫善用自動化和 AI 科技首創 EDA 雲端平台，藉由虛擬機器人將這些資料數位化、整合進現今主流 EDA 軟體，為下游製造商分擔冗餘工作，有助於提升效率並避免錯誤。這個稱為「Auto Digitization」(自動數位化) 的程序，可為產業解決四大困境：1.EDA 專業知識傳承不易，培訓成本過高，一旦人員流動又得重頭來過；2.建置零件耗時費工，影響工作效率，偏偏這是後續系統模擬的必備前置作業；3.檔案繁複、零件瑣碎，單是「命名」就是一大學問，造成資料控管困難；4.人力不足，且容易侷限員工的工作發展及學習空間。
富比庫的願景是：聯合業界催生「電子零件格式標準化」——1.描述電子零件實體與焊盤圖案 (land pattern) 資訊；2.定義電路板零件、線路符號和 3D 模型之特徵；3.建立資料標準格式、描述建置規則與命名架構。著眼於台灣在半導體設計、製造及下游終端生產不乏全球知名的標竿企業，生態資源豐富，黃以建相當看好本地發展前景。智慧化所及，有意推行「標準化」、「產業平台」的籌謀亦時有所聞；不過，礙於被複製、剽竊或駭入的風險顧慮，致使有些資料分享計畫終究未能成事。或許，越是上游的產業、資料開放程度越高，勝算相對更大。
