AI正在深刻改变芯片设计与验证领域中各类模型的创建与使用方式。但无论技术如何演进，一个核心原则始终不变：模型只能在其设计用途和既定上下文中使用，不能超出范围，否则将带来难以预估的风险。

什么是模型，为何它如此重要

模型是对现实世界行为的一种抽象描述，但所有模型都是妥协的产物——它们以牺牲部分细节为代价，换取更高的执行性能。在芯片设计领域，最核心的模型是设计模型本身，其次是构成验证流程的一系列模型。此外，工具模型和流程模型同样举足轻重。

代理模型（Surrogate Model）通常被创建用于提升执行速度，其本质是对原始设计的近似。RTL模型是一个典型例子：它是时钟精度级别的设计描述，依赖门级或算术级模型，而后者又是从晶体管模型简化而来——晶体管模型本身也是对物理规律的简化。每一层抽象都有其适用边界，一旦超出原本的设计上下文，模型的有效性便无法保证。

模型创建成本高昂，原因之一在于验证本身代价不菲。精度未知或被用于非预期场景的模型，可能导致错误决策或遗漏问题。若这些问题在流程后期才被发现，甚至流入产品，修复成本将极为巨大。因此，如果AI开始参与模型创建，信任必须先于采用，而信任只有在使用可重复、可追溯的流程时才能建立。

当前工具与流程模型的实践案例包括Synopsys的DSO.ai和Cadence的Cerebrus。这两款产品基于强化学习，为基于模块的物理实现工具创建优化循环——每次试验后测量PPA（功耗、性能、面积），并将新数据点用于改进AI模型，从而为特定设计提供更优的工具参数设置。

模型创建的六步流程

ChipAgents工程主管Mehir Arora提出了一套经典的六步模型创建流程：

第一步，定义模型的范围、接口、精度要求与使用上下文；第二步，通过黄金仿真生成参考数据；第三步，生成行为模型；第四步，与黄金模型进行对比验证；第五步，通过迭代进行优化；第六步，部署到仿真环境中。

Keysight EDA研发研究员Tom Demuer指出，明确模型的使用方式与时机至关重要："你可以构建一个只有自己工具才能使用的高度定制模型，也可以生成一个SPICE网络形式的模型以获得更广泛的部署。提供完整的Verilog模型与选择能完成任务的最简模型之间，工作量差异极大。"

在模型创建过程中，有两个重要维度需要同时考量——精度与完整性。Axiomise首席执行官Ashish Darbari解释道："两者不同，但同样重要。在数字验证中，精度是指将模型的建议或预测与已知可信的结果进行比较。完整性则更难衡量，因为它与模型覆盖了验证问题的哪些部分密切相关。一个模型在常见场景下表现良好，但仍可能遗漏罕见的协议交互、复位行为、低功耗模式或安全敏感路径。"

Normal Computing产品经理Hanna Yip补充道："精度是一个统计问题——模型输出与真实值在某种分布上的接近程度。完整性是一个覆盖率问题——模型是否对所有重要场景都定义了行为。一个模型可以高度精确却严重不完整：对其覆盖的所有内容都能输出接近真实值的结果，但对重要场景却毫无定义。这两种失效模式需要不同的补救措施。"

关于大语言模型在模型生成中的应用，Cadence产品营销总监Paul Graykowski指出了一个核心挑战："我希望把规格说明输入给大语言模型，让它生成一个模型。但问题在于，如何引导大语言模型走向正确方向，生成有效代码——尤其是大多数规格说明本身就不够完善的情况下？无论输入什么——规格文档、时序图——它们共同构成一种心智模型，而其中有很多细节，规格说明可能理所当然地忽略了。"

创建黄金模型

黄金模型是模型验证的基准。Normal Computing的Yip强调："训练数据分布的质量与数据量同等重要。对于DRAM验证而言，真正关键的失效模式——如时序违规、协议边角案例、条件交互——在典型仿真轨迹中严重代表不足，因为大多数仿真时间都花在了正常场景上。基于这类数据训练的模型在常见案例上会表现出自信的准确性，却在那些导致重新流片的案例上悄悄出错。数据中的刻意采样策略与拟合方法同样重要，且需要领域知识才能做到位。"

Southampton大学AI与EDA研究员Simon Davidmann则进一步指出了评估中的常见错误："AI生成的设计内容的精度衡量，需要区分三个并不等价的属性——语法正确性、功能正确性与形式完整性。将这三者混为一谈，是团队在评估中可能犯下的最严重的错误之一。"

他还特别提到：当前的大语言模型在标准Verilog结构上几乎能实现完美的语法正确性，但这只是必要条件，远非充分条件。现有基准测试（如VerilogEval）主要由短小的教学型模块组成，无法代表工业级SoC子系统的复杂度。一个在VerilogEval上得分90%的模型，可能从未接受过含有非平凡跨时钟域处理的缓存控制器的训练。"我们今天使用的基准测试是为人类编写RTL的时代而设计的，这个领域需要专门用于发现AI弱点的基准测试，而这类测试目前尚未在工业规模上出现。"

部署前的验证与信任

Keysight的Demuer则提到了模型标注的重要性："通常从为模型打上属性标签开始。例如，这是一个保证无源的模型，这是一个保证因果的模型。接下来是其适用范围——在哪些参数范围内可以信任其结果。至于如何标注精度、或精度与速度的平衡，目前尚无成熟标准。我见到的情况是，大多数团队默认模型是可用的，并认为开发团队会给出良好结果。"

Siemens EDA产品负责人Sathishkumar Balasubramanian指出，当数据存在使用限制时，情况会更加复杂："为AI生成的内容打上水印非常重要。谷歌最近为AI生成内容提出了一项标准，以便用户知道内容来自大语言模型。良好的数据标注将变得至关重要。当你把数据输入微调模型时，必须确保能够验证数据的合法性。不能随便说'随便去抓数据吧'，你必须有一套在微调之前验证数据的流程，这需要从源头开始贯彻始终的纪律。"

Davidmann最后总结道："AI模型在EDA中的一个关键属性是，其可靠性受训练数据分布的约束。这一约束在机器学习理论中已被充分理解，但在供应商工具的数据手册中却鲜有记载，而它对工具的评估与部署方式有直接影响。大多数团队目前还没有标准来记录哪些断言是人工编写的、哪些是AI生成的，以及这一区别对验收置信度意味着什么。此外，大多数供应商文档也没有明确所部署模型的训练范围、失效模式或领域边界。在AI生成内容规模化应用于安全关键设计之前，这两个缺口都必须填补。"

Q&A

Q1：模型精度和完整性有什么区别，为什么都很重要？

A：精度是指模型输出与真实参考值的接近程度，是一个统计问题。完整性是指模型是否覆盖了所有重要场景，是一个覆盖率问题。两者并不等价：一个模型可以在其覆盖的场景上高度精确，却对关键边角案例毫无定义。比如在DRAM验证中，常见场景的精度再高，若遗漏了时序违规或协议边角案例，仍可能导致重新流片。因此两者必须同时满足，缺一不可。

Q2：大语言模型生成的Verilog代码能直接用于工业级芯片设计吗？

A：目前还不能直接用于复杂工业场景。大语言模型在标准Verilog语法正确性上表现接近完美，但功能正确性和形式完整性仍存在明显差距。现有评估基准（如VerilogEval）主要由简单教学型模块构成，无法反映工业级SoC的复杂度。一个评分很高的模型，可能从未见过含非平凡跨时钟域处理的缓存控制器。目前工业界还缺乏专门发现AI弱点的基准测试，因此大语言模型生成的代码仍需人工审核和独立验证。

Q3：AI生成的模型在部署前需要经过哪些验证步骤？

A：部署前需经过多个关键步骤：首先要明确模型的训练数据分布及其覆盖边界；其次，针对最复杂的设计模式开展边界探测练习，将AI输出与领域专家结果独立比对；此外，还需为模型打上属性标签（如因果性、无源性、适用参数范围），并对AI生成内容进行水印标注。整个过程要求数据可追溯、结果可复现，且不能完全依赖AI自身的评估结果，必须保留人工审核与独立验证的环节。