EDA工具是IC芯片制造最上游的产业，是衔接集成电路设计、制造和封测的关键纽带，素有“芯片之母”的美誉，对IC行业生产效率、产品技术水平都有重要影响。记者日前从上海弗摩电子科技有限公司获悉，由其自主研发的“PNDebug”电子设计自动化软件迭代上线并投入使用，为我国集成电路“芯”产业的发展提供有力的核心支撑。

2021年是中国“十四五”开局之年，在国内宏观经济运行良好的驱动下，国内IC产业继续保持快速、平稳增长态势。中国半导体行业协会近日发布统计数据，2021年中国集成电路产业首次突破万亿元，达到10458.3亿元。而撬动如此庞大的市场的背后却是不到百家的EDA软件提供商。

近年来，国产EDA产业受到国家高度重视，且涌现出了大量的EDA公司，呈现出百花齐放，百家争鸣的局面。出现了如华大九天、概论电子、弗摩电子等国内知名的EDA提供商。其中，弗摩电子筚路蓝缕、砥砺前行，由来自芯片设计、算法软件和系统开发的资深工程师组成研发团队，经过多年攻克，以拥有独立自主知识产权、安全高效、灵活协同等优势的“PNDebug”Electronic design automation投入使用，有效助力我国IC产业“芯”发展，为全球集成电路产业的快速发展中给出了“中国方案”。

聚焦领域 突破EDA核心关键技术

从成立至今，上海弗摩电子科技有限公司坚持围绕集成电路行业工艺与设计协同优化进行技术和产品的战略布局，面向集成电路行业先进工艺节点加速开发和成熟工艺节点潜能挖掘的需求，为客户提供被全球领先集成电路设计和制造企业长期广泛验证和使用的EDA产品及解决方案，先发研发出PNDebug电子设计自动化软件和PNFlib形式验证库。

记者了解到，弗摩电子在器件建模和电路仿真验证两大集成电路制造和设计的关键环节已经具备与Cadence、Synopsys、Mentor相媲美的能力，掌握了自主可控的EDA核心技术，可有效支撑当今市场上主流的7nm/5nm/3nm等先进工艺节点芯片验证，打破了海外技术“壁垒”，为我国在集成电路芯片产业行业发展提供了有力保障。

经过团队多年的研发投入，公司已完成从技术到产品的完整转化，并凭借国内领先半导体大厂的成功试验和战略合作，已经在行业内形成较为稳固的市场地位。

专注研发 提升EDA软件核心竞争力

提升软件核心竞争力一方面要聚焦软件的基础功能，能够满足当今市场的不同型号芯片设计物理需求；另一方面要针对传统EDA的不足不断攻克新技术、新算法，提升软件的功能，掌握核心关键技术，打破国际技术“壁垒”，填补国内空白，实现市场规模化应用。

随着摩尔定律的持续演进，集成电路的复杂程度指数级上升，现在集成度最高的芯片已经集成了数万亿个晶体管，未来芯片的集成度将会更高。依靠人工绘图已经不可能完成这样的设计任务，利用计算机辅助手段解决问题已是必然选择。弗摩电子EDA软件PNDebug工具可以很好的解决芯片在设计、建模、模拟、验证等一系列工作，减少芯片设计在物理模拟验证和重复修复之间的bug，减少企业人工投入、缩短芯片验证周期，为系统验证和软件开发提供大容量、高性能、自动实现、可调试、高可用的新一代智能设计自动化系统，提高芯片设计方案整体验证效率，实现多工具协同。深入地应用到集成电路产业当中，扮演着芯片破局支点的重要角色。

在EDA领域的众多细分方向中，验证伴随着芯片设计的全过程，从创意开始一直到最后的芯片实现，而且验证工具的开发存在较高的技术壁垒和准入门槛，目前已经成为研发工具成本占比最高的一块，因此验证领域的突破对中国芯片产业发展至关重要。

根据上海市政府印发的《上海市战略性新兴产业和先导产业发展“十四五”规划》，上海市集成电路产业将以国家重大战略任务为牵引，强化创新平台体系建设、关键技术攻关和重大项目布局，持续提升产业能级和综合优势。作为上海市浦东新区张江软件园区的一份子，上海弗摩电子科技有限公司已整装待发，期待能以厚积薄发的技术实力快速完善上海集成电路产业链，支持5G、人工智能、云计算等多项未来科技的发展，以自主研发的核心技术改变EDA行业被海外巨头垄断格局，推动EDA产业进入一个新的中国时代。

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。

最近放假比较闲，也来班门弄斧聊聊 AI 在 2021 年的发展与未来趋势。

虽然不太关注感知类智能方向，但今年被 Transformer 刷屏的新闻也实在太多了。恰好最近看了 大佬的带你读论文系列，其中就介绍了从 BERT 到 ViT 到后面一系列的 MAE，MoCo 等，深切感受到了学术界对这个“大一统模型”的高涨热情。我们所需要做的就是把任何问题的输入，转化成一个离散 token 序列，然后套上 transformer，对着海量数据训练，就能刷新 SOTA。稍微搜了下发现还有更多的领域都有相关工作，比如：

• 甚至还有强化学习方向的

当然 21 年也有 说把 transformer 里的注意力模块替换成更简单的组件，例如 pooling，MLP 也能取得很好的效果，所以我们对于 transformer 为何能在这么多任务上达到很好效果的原理还并不明朗，达到真正的大统一还为时尚早。

展望一下未来，我甚至有一些大胆的猜想，是不是能把知识表达，逻辑推理，因果推理等能力也融合进来，通过设计一些任务能让 transformer 做常识问题的推理，那样的话我们离通用人工智能的距离或许又近了一步 :)

随着 transformer 的流行，大模型的“军备竞赛”被不断的推向高峰，大家发现在大数据集上不断增加模型的参数量，可以不断提升模型的精度，并没有呈现性能饱和的趋势。这里面的工作就不多列举了，可以参考斯坦福的这篇 。对于后续工业界如何使用这些巨大的模型来更快的实现各类 AI 任务，感觉会是下一步的热门方向。

另外，大模型光依靠模型参数来“记忆”一些“长尾知识”可能效率并不高，近期也有一些研究 起来，一方面减少模型参数量的需求，另一方面也能更好的提升模型效果，并可以灵活通过迭代数据库的方式来“升级模型”。

自监督学习的概念由来已久，像经典的 word2vec 就可以看作是一种自监督学习的方式，也备受 Lecun 等大佬的青睐。NLP 领域的自监督学习从 BERT 出现之后被推向了一个高峰，而 CV 领域这两年也开始借鉴这方面的思想，一种思路是通过学习数据之间的相似和不相似关系来进行自监督学习，也就是时下非常火热的“对比学习”领域。具体可以参考 ，对这个领域的各篇经典文章如 SimCLR，MoCo，BYOL，DINO，SimSiam 等都做了介绍。另一种思路是经典的 auto-encoder/decoder 方式，比如 BEiT，MAE 等就是典型代表。进一步来说，这类思想应该也可以应用到更广的领域，比如推荐，图模型等，让模型不需要标签就能从大量的数据中自动学习到一些“概念”。

Transformer，大模型，自监督，预训练加下游任务的 fine tune 整体成为了 21 年最具代表性的深度学习“设计模式”，这或许也会影响到后续工业界应用落地 AI 模型的方式。

以往 AI 主要被应用在各种偏“自动化”的任务中，例如搜索推荐，人脸识别，销量预测，文本情感判断等。很多关于 AI 的科普书中都会提到，很多创意类工作是很难由 AI 来完成的。但是进入到 21 年，出现了越来越多的“创意”类 AI 应用。例如使用 GPT 来生成特定需求的文本，通过 Github Copilot 帮助我们写代码，通过 来生成语音，通过 或 来生成艺术！

从技术层面来说，这里提到的 的出现让语言，图像，音频等不同的信息媒介之间的“打通”提供了很大的想象空间。另外 DiffWave 所用的 Diffusion Model 也是今年在生成模型领域风头力压 GAN 的热门方向。从应用角度来说，或许未来有更多内容生成的场景也会逐渐被 AI 侵占，比如一个看了全 Internet 文章视频的大模型默默就在知乎上写了个图文并茂的“2025 年人类智能有哪些关键性进展和突破？”的回答 :)

这两年业界在吴恩达大佬的强力宣导下，以数据为中心来开发 AI 也越来越成为一种主流认识，我之前也专门写了篇文章来记录最近的 的内容。而且从前面的深度学习新趋势来看，的确在数据和训练框架，算力优化方面这两年的进展更加多一些，模型方面则变化不多甚至出现不少“复古”风潮。随着 AI 在越来越多场景得到应用，会遇到越来越多现实中的数据问题，解决这些问题带来的期望提升要远超过直接从学术界搬一个 fancy 模型过来。从长远来看，我们人类智能在做任何决策时，不也是需要依赖高质量的“历史数据”作为参考和推演依据么？

当然 Data Centric AI 的本质思想还是希望我们能像排查软件问题那样排查模型问题，并进行有明确反馈的改进动作，所以个人觉得针对模型的 debug 工具也会非常有用，两者并不是完全对立的两面。

随着 AI 在业界的落地范围扩大，如何让“普通公司”也能把 AI 用起来，把模型维护起来也成了一个新兴的大市场。毕竟不是每家公司都有像 Google，Facebook 那样的技术基础架构和算法专家储备。在这个方向上涌现出了 ，各大云服务商也在各自的 AI 平台上不断增强算法运维方面的能力。我之前也调研总结了篇 。目前来看大家主要把 MLOps 相关的框架集中在三个方向上，分别是

结合前面所说的深度学习范式，或许未来两年还会出现快速做 AI 模型 fine tune 并集成上线的 composite AI 类工具产品，让我们拭目以待 :)

这个趋势也与 AI 在越来越多场景受到应用相关，尤其在企业决策，医疗，金融风控，政府等方向上，如何做可解释的人工智能，没有偏见和安全可靠的算法模型也越来越成为一个重要话题。Google 给出了他们对于 。我在去年也做了一个 。

从未来看，可解释机器学习肯定不单单是面向开发人员的模型内部机理的解释，毕竟人脑如何工作也还是个黑盒，我们更需要的是类似于能够与模型“交流”的解释方式。而负责且安全可靠的模型方面，一方面需要在数据工程，隐私计算等技术方向上继续探索与开拓，另一方面也与 AI 的教育普及，相关政策法规的商讨制订息息相关。

前面说到 AI 落地范围的扩大，不得不提一下在感知类智能之外的认知智能应用。事实上在很多非互联网公司的场景中，如何通过数据和 AI 来帮助企业提高决策质量是一个潜力非常巨大的市场。相信很多同学在日常生活中也开始潜移默化的使用一些这方面的模型来辅助你做决策，例如买基金会看一些数据或者模型推荐的结果，出门时用高德地图之类的预估一下交通路线和耗时，日常生活中通过各种可穿戴设备的提醒来保持良好的健康习惯，买东西时参考一下 App 给出的推荐等。在企业决策中，这类应用场景也为数众多，且每一个都能为公司的运营带来可见的效益提升。

我们观远就持续在 Business Intelligence 和 Decision Intelligence 方向深耕，利用各种 AI 技术，深入业务场景来辅助决策者作出更高质量的判断和行动。这方面有很多有意思的技术和商业问题的挑战，非常欢迎有兴趣的同学加入我们，打造业界最好的 AI + BI 决策智能平台 :)