AI正在深刻改變晶片設計與驗證領域中各類模型的創建與使用方式。但無論技術如何演進，一個核心原則始終不變：模型只能在其設計用途和既定上下文中使用，不能超出範圍，否則將帶來難以預估的風險。
什麼是模型，為何它如此重要
模型是對現實世界行為的一種抽象描述，但所有模型都是妥協的產物——它們以犧牲部分細節為代價，換取更高的執行性能。在晶片設計領域，最核心的模型是設計模型本身，其次是構成驗證流程的一系列模型。此外，工具模型和流程模型同樣舉足輕重。
代理模型（Surrogate Model）通常被創建用於提升執行速度，其本質是對原始設計的近似。RTL模型是一個典型例子：它是時鐘精度級別的設計描述，依賴門級或算術級模型，而後者又是從電晶體模型簡化而來——電晶體模型本身也是對物理規律的簡化。每一層抽象都有其適用邊界，一旦超出原本的設計上下文，模型的有效性便無法保證。
模型創建成本高昂，原因之一在於驗證本身代價不菲。精度未知或被用於非預期場景的模型，可能導致錯誤決策或遺漏問題。若這些問題在流程後期才被發現，甚至流入產品，修復成本將極為巨大。因此，如果AI開始參與模型創建，信任必須先於採用，而信任只有在使用可重複、可追溯的流程時才能建立。
當前工具與流程模型的實踐案例包括Synopsys的DSO.ai和Cadence的Cerebrus。這兩款產品基於強化學習，為基於模組的物理實現工具創建優化循環——每次試驗後測量PPA（功耗、性能、面積），並將新數據點用於改進AI模型，從而為特定設計提供更優的工具參數設置。
模型創建的六步流程
ChipAgents工程主管Mehir Arora提出了一套經典的六步模型創建流程：
第一步，定義模型的範圍、接口、精度要求與使用上下文；第二步，通過黃金仿真生成參考數據；第三步，生成行為模型；第四步，與黃金模型進行對比驗證；第五步，通過疊代進行優化；第六步，部署到仿真環境中。
Keysight EDA研發研究員Tom Demuer指出，明確模型的使用方式與時機至關重要："你可以構建一個只有自己工具才能使用的高度定製模型，也可以生成一個SPICE網路形式的模型以獲得更廣泛的部署。提供完整的Verilog模型與選擇能完成任務的最簡模型之間，工作量差異極大。"
在模型創建過程中，有兩個重要維度需要同時考量——精度與完整性。Axiomise首席執行官Ashish Darbari解釋道："兩者不同，但同樣重要。在數字驗證中，精度是指將模型的建議或預測與已知可信的結果進行比較。完整性則更難衡量，因為它與模型覆蓋了驗證問題的哪些部分密切相關。一個模型在常見場景下表現良好，但仍可能遺漏罕見的協議交互、復位行為、低功耗模式或安全敏感路徑。"
Normal Computing產品經理Hanna Yip補充道："精度是一個統計問題——模型輸出與真實值在某種分布上的接近程度。完整性是一個覆蓋率問題——模型是否對所有重要場景都定義了行為。一個模型可以高度精確卻嚴重不完整：對其覆蓋的所有內容都能輸出接近真實值的結果，但對重要場景卻毫無定義。這兩種失效模式需要不同的補救措施。"
關於大語言模型在模型生成中的應用，Cadence產品營銷總監Paul Graykowski指出了一個核心挑戰："我希望把規格說明輸入給大語言模型，讓它生成一個模型。但問題在於，如何引導大語言模型走向正確方向，生成有效代碼——尤其是大多數規格說明本身就不夠完善的情況下？無論輸入什麼——規格文檔、時序圖——它們共同構成一種心智模型，而其中有很多細節，規格說明可能理所當然地忽略了。"
創建黃金模型
黃金模型是模型驗證的基準。Normal Computing的Yip強調："訓練數據分布的質量與數據量同等重要。對於DRAM驗證而言，真正關鍵的失效模式——如時序違規、協議邊角案例、條件交互——在典型仿真軌跡中嚴重代表不足，因為大多數仿真時間都花在了正常場景上。基於這類數據訓練的模型在常見案例上會表現出自信的準確性，卻在那些導致重新流片的案例上悄悄出錯。數據中的刻意採樣策略與擬合方法同樣重要，且需要領域知識才能做到位。"
Southampton大學AI與EDA研究員Simon Davidmann則進一步指出了評估中的常見錯誤："AI生成的設計內容的精度衡量，需要區分三個並不等價的屬性——語法正確性、功能正確性與形式完整性。將這三者混為一談，是團隊在評估中可能犯下的最嚴重的錯誤之一。"
他還特別提到：當前的大語言模型在標準Verilog結構上幾乎能實現完美的語法正確性，但這只是必要條件，遠非充分條件。現有基準測試（如VerilogEval）主要由短小的教學型模組組成，無法代表工業級SoC子系統的複雜度。一個在VerilogEval上得分90%的模型，可能從未接受過含有非平凡跨時鐘域處理的緩存控制器的訓練。"我們今天使用的基準測試是為人類編寫RTL的時代而設計的，這個領域需要專門用於發現AI弱點的基準測試，而這類測試目前尚未在工業規模上出現。"
部署前的驗證與信任
在部署環節，Davidmann強調："在將任何AI模型引入生產流程之前，正確的問題不僅僅是模型有多準確，還要追問：它是用什麼數據訓練的？那個分布沒有覆蓋什麼？實際設計離那個邊界有多近？每個部署這些工具的團隊，都應該針對最複雜、最新穎的設計模式的代表性樣本，開展一次刻意的邊界探測練習，將輸出與領域專家的結果獨立比對。這項練習能識別出分布的終點和模型不確定性的起點。缺少這一步，部署就是在缺乏必要資訊的情況下冒險推進。"
Keysight的Demuer則提到了模型標註的重要性："通常從為模型打上屬性標籤開始。例如，這是一個保證無源的模型，這是一個保證因果的模型。接下來是其適用範圍——在哪些參數範圍內可以信任其結果。至於如何標註精度、或精度與速度的平衡，目前尚無成熟標準。我見到的情況是，大多數團隊默認模型是可用的，並認為開發團隊會給出良好結果。"
Siemens EDA產品負責人Sathishkumar Balasubramanian指出，當數據存在使用限制時，情況會更加複雜："為AI生成的內容打上水印非常重要。谷歌最近為AI生成內容提出了一項標準，以便用戶知道內容來自大語言模型。良好的數據標註將變得至關重要。當你把數據輸入微調模型時，必須確保能夠驗證數據的合法性。不能隨便說'隨便去抓數據吧'，你必須有一套在微調之前驗證數據的流程，這需要從源頭開始貫徹始終的紀律。"
Davidmann最後總結道："AI模型在EDA中的一個關鍵屬性是，其可靠性受訓練數據分布的約束。這一約束在機器學習理論中已被充分理解，但在供應商工具的數據手冊中卻鮮有記載，而它對工具的評估與部署方式有直接影響。大多數團隊目前還沒有標準來記錄哪些斷言是人工編寫的、哪些是AI生成的，以及這一區別對驗收置信度意味著什麼。此外，大多數供應商文檔也沒有明確所部署模型的訓練範圍、失效模式或領域邊界。在AI生成內容規模化應用於安全關鍵設計之前，這兩個缺口都必須填補。"
Q&A
Q1：模型精度和完整性有什麼區別，為什麼都很重要？
A：精度是指模型輸出與真實參考值的接近程度，是一個統計問題。完整性是指模型是否覆蓋了所有重要場景，是一個覆蓋率問題。兩者並不等價：一個模型可以在其覆蓋的場景上高度精確，卻對關鍵邊角案例毫無定義。比如在DRAM驗證中，常見場景的精度再高，若遺漏了時序違規或協議邊角案例，仍可能導致重新流片。因此兩者必須同時滿足，缺一不可。
Q2：大語言模型生成的Verilog代碼能直接用於工業級晶片設計嗎？
A：目前還不能直接用於複雜工業場景。大語言模型在標準Verilog語法正確性上表現接近完美，但功能正確性和形式完整性仍存在明顯差距。現有評估基準（如VerilogEval）主要由簡單教學型模組構成，無法反映工業級SoC的複雜度。一個評分很高的模型，可能從未見過含非平凡跨時鐘域處理的緩存控制器。目前工業界還缺乏專門發現AI弱點的基準測試，因此大語言模型生成的代碼仍需人工審核和獨立驗證。
Q3：AI生成的模型在部署前需要經過哪些驗證步驟？
A：部署前需經過多個關鍵步驟：首先要明確模型的訓練數據分布及其覆蓋邊界；其次，針對最複雜的設計模式開展邊界探測練習，將AI輸出與領域專家結果獨立比對；此外，還需為模型打上屬性標籤（如因果性、無源性、適用參數範圍），並對AI生成內容進行水印標註。整個過程要求數據可追溯、結果可復現，且不能完全依賴AI自身的評估結果，必須保留人工審核與獨立驗證的環節。
