去年 12 月中，知名的人工智能科学家吴恩达在博客上宣布了一家自己最新成立的公司 Landing.ai，对于成立这家公司，吴恩达的目标是：“帮助企业在 AI 时代实现转型，首先切入的就是制造业”。而在如此宏大的目标下，吴恩达的 Landing.ai，宣布的第一家合作伙伴不是别人，正是鸿海。

　　如今的鸿海已然不再是当年生产代工 iPhone 后迅速壮大的那个制造业巨人，从零组件到整机，从产品研发生产、品牌销售、应用服务，不论是供应链或价值链，鸿海无所不在。而接下来，鸿海还将会在集团中每一个产业环节植入深化的要素，目前看起来没有别的，就是 AI。

图丨郭台铭和吴恩达

　　AI 的跨产业、跨领域通用性，将可以让已然建立起 AI 能力的公司，有机会快速复制 AI 能力到其布局的其它领域中。以鸿海来看，虽然现在触及云端、移动设备、物联网、大数据、智能生活、互联网等领域，已经几乎是无所不包，但其中有一块领域，是鸿海迄今还没有拼上的拼图，那就是半导体领域。

　　早在两年前，就曾经传出鸿海有意仿效华为、海思模式，打造从半导体到终端成品的模式，而 2016 年底，也曾传出鸿海与 ARM 将合作设立研发中心的消息，只不过到目前为止，相对于在其它领域的大军压境，之于半导体领域，鸿海一直都还没有太大的成效。

　　但这并不代表郭台铭对半导体没有兴趣，早在 2016 年底就曾有媒体报道，郭台铭曾在内部告诉主管，在半导体领域，除了晶圆代工，鸿海什么都可以做，而且要做的非常好，“要让 Morris（台积电董事长张忠谋）主动来找我们！”

　　这句话透露的是郭台铭对半导体产业的重视，也透露了他对鸿海半导体布局发展不是没有想法，而只是在等待一个时间。事隔两年，在 AI 发展如火如荼的现在，这或许就是郭台铭等待的机会到来。

　　另外，从半导体到设备，中间必须有一层软件作为核心，不论是操作接口，或者是提供多样化的智能服务，软件的存在可说有如大脑，就有如半导体之于心脏，利用心脏驱动肉体，也就是智能设备，如果没有大脑还是没有办法进行有意义的活动。

　　也因此，鸿海若进军半导体产业，对软件的需求也会同步增加，鸿海之前曾插手过软件产业，虽然成效有限，但对其在后端的基础服务建构方面的实力还是有很大的帮助，若鸿海想要走华为、海思模式，软件这块势必要补齐，而且不只是后端服务，前端应用也必须兼顾，并且相当程度的 AI 化，如此就可和吴恩达的合作一脉相承，建构出高度自动化的产业链帝国。

　　对包括鸿海在内的许多公司而言，如果说半导体会是将来新兴技术应用发展的基础，那么 AI 的快速发展，已然提供了一个绝佳的切入机会。由 AI 自行设计软件以及 IC 产品离我们已经不远了，如果全面实现，对现有的软件与 IC 产业将会带来巨大的变革。

　　值得注意的是，目前已有多家技术研究单位如 Open AI、麻省理工学院、加州大学、 DeepMind 开始研究可设计机器学习人工智能，而由 Google Brain 人工智能设计出来的人工智能，表现甚至比由人类设计的更好。

　　另一方面，IC 设计的自动化部分也越来越高，各种主流电子设计自动化 (Electronic Design Automation，EDA) 软件，包含Synopsys、Cadence、Mentor 都已经做到部分 IC 设计布局自动化的地步，只要点选几个选项，基本逻辑布局和光罩设计就可自动产生，这些包括了合成（Synthesis）、摆置（Placement）与绕线（Routing）、验证（Verification）等流程，人类需要参与的部分也越来越少。

　　然而现有的 EDA 虽然能够建立基础布局，但还不具备真正的机器学习能力，无法跟着 IC 设计公司的经验积累改善设计方向。而随着机器学习的进展，新形态的 EDA 设计逻辑也因应而生，Solido 是全球首家以机器学习算法为基础的 EDA 软件供应商，当然，不只是新创 EDA 公司，传统的 EDA 龙头也都开始思考，或实际利用机器学习来改善 EDA 的设计效率。

　　从辅助自动化到 AI 主导设计

　　前面所提到的所有工作，包含驾驶、说话、下棋，甚至设计软件或 IC，其实都是可逻辑化的经验累积，换言之，都是能够通过大量的数据训练来形成特定的应用模型，只要数据够多，模型也就越完整，逻辑也就越不容易有破绽。

　　设计软件或 IC 过去都极端倚赖人类专家才能进行，但这些人类专家的训练旷日废时，且最终形成的成果也未必都能展现出绝佳的效果，毕竟人类有个体资质的差别，就好像你无法期待每个科学家都是爱因斯坦，也无法期待每个手机公司老板都是乔布斯，但通过机器学习，你可以让每个经过类似设计模型/流程的 AI 设计软件/芯片，都能拥有相当高的一致性。

　　通过训练，AI 可以寻找出达到设计目的的最好路径，这在软件或 IC 设计中，都可以拥有通用的逻辑，那么关键问题就是，借助学习找出的路径是否能够全面取代传统人类工作模式里面的 Know-how，未来人类真的在软件设计或 IC 设计领域都将转由 AI 代劳？DT 君认为，可能还要一段时间，但长久来看应该是避免不了的趋势。

　　那么 AI 要怎么做到自主设计？

　　以前阵子 Google 用来创造新 AI 模型的 AutoML 为例，该 AI 就是以递归神经网络（RNN）生成神经网络的描述，然后利用强化学习对该 RNN 进行训练。其方法可以让 AI 从零开始设计出一个全新的神经网络架构。

图丨谷歌AutoMl

　　AutoML 是一套用来产生新的 AI 算法的 AI 算法，其最初目的是为了解决因为 AI 设计人才匮乏的窘况，而提出来的解决方案。

　　一般情况下，进行机器学习首先需要大量的训练数据，再由机器学习工程师/数据科学家对数据进行分析，设计算法形成训练模型；这需要大量的专业知识。但如果使用 AutoML，只需要将训练数据集传入 AutoML，那么这个工具就会自动帮我们生成参数和模型，形成训练模型，这样即使不具备机器学习方面深入的专业知识也可以进行机器学习方面的工作。

　　过去人类专家之所以重要，在于人类专家可以凭借经验和知识来判断什么情况下该用什么模型，但借助 AutoML，理论上能改变过去在预处理数据、算法模型、参数。以及评估模型质量方面，都必须要由人类主导的作法，而是由 AI 自行选择算法模型、算法参数，并且自动评估模型的质量，借以在人类最小干预的前提下，达到最优化的模型建立结果。

　　不过目前 AutoML 还没有办法完全自主，比如说基础算法选择还是要由人类来判断，但也已经能够大大减少传统神经网络模型建立过程中，需要进行的繁杂调试工作。Google 未来会借助更完整的预处理逻辑判断来取代人类专家，提高 AutoML 的自动程度，而最终目标将会是是完全的自主化。#p#分页标题#e#

　　目前 AutoML 自行产生的模型已经可以得到比由人类所设计模型达到更好的效果：在图像识别任务中，实现了创纪录的 82% 的准确率。而在某些复杂的 AI 任务中，其自行建立的代码也被证实比人类程序员优越。它可以在图像中标记多个点，准确率达到 42%；作为对比，人类打造的软件只有 39%。

　　机器学习与深度学习让 EDA 工具更聪明

　　软件方面我们看到有 AutoML 这样的工具出现，并且得出极为惊人的结果，在 IC 设计方面主流的 EDA 大厂也都在探索如何通过机器学习或深度学习来改善 IC 设计的流程，借以达到更高效率，或者是更大规模的 IC 布局。

　　其实 IC 的设计逻辑和设计软件有着异曲同工之妙，IC 和软件都是设计来解决问题，而这些问题通常都是可以用数学来进行描述的对象，只要通过合理的算法来找出解题的逻辑，那么问题也就能迎刃而解。

　　在半导体产业，利用机器学习来解决 IC 复杂设计与开发流程问题，借以提高设计和生产效率，以及 IC 的准确性，就成为目前的主要发展方向。

　　举例来说，机器学习实现先进电子研究中心 (Center for Advanced Electronics through Machine Learning，CAEML) 就是一家通过创建机器学习算法来推导用于 EDA 的自动化模型的国家级研究机构，其用于电子设计的 AI 项目已经获得了美国国家科学基金会 (NSF) 和 9 家公司的大力支持，这 9 家公司包括亚德诺 (ADI)、Cadence、思科 (Cisco)、惠普企业 (HPE)、IBM、NVIDIA、高通 (Qualcomm)、三星 (Samsung) 和赛灵思 (Xilinx)。

　　IC 设计由于规模的不断增加，目前在主要的布局、基础电路设计方面，很多都已经是由计算机代劳，人类主要负责的是核心逻辑的部分，以及最后成果的调试。前段时间，苹果的 AX 处理 IC 曾被揭露很大程度使用人工布局，而非计算机自动设计，虽借此让 IC 计算效率得以远高于其它自动化设计程度较高的 IC 竞争对手，但这只是特例，因为人力有其极限，多数 IC 设计公司一年不会只设计一款 IC，通常手上会有几个案子需要同时关注，因此无法将全部的人力都投入在某一款产品的研发中。

　　随着机器学习在 EDA 领域的逐渐普及，计算机自动处理的 IC 布局将更能满足开发者的需求，不论是在效率的提升，或者是漏电的改善，甚至最重要的，节省验证时间以及验证过程所需要的人力，让开发者可以投入更多人力在新产品的发展上。

　　AI 针对软件和 IC 设计的不同处理逻辑

　　然而开发软件可以通过对逻辑本身的不断论证和验算，来求出更有效率的解，或者使用更庞大的数据库来训练，增加模型可靠性。IC 设计过程会受限于 IC 的类型以及要解决的问题类型，不同应用的 IC 可能布局就完全不同，甚至同一应用，但以不同终端为设计目标的 IC，也需要不一样的设计流程。

　　所以机器学习在 IC 设计上需要更多的训练，而这些训练是集中在 IC 的设计方法上，要考虑到发热均衡、电子信号流动距离、工艺库、金属层、工具链等，由于要同时考虑半导体材料的物理问题，情况要更复杂。最核心部分的逻辑处理方面，就类似 AI 程序中的模型，必须依照求解问题的类型来决定使用何种逻辑，比如说面对绘图处理或是大量的平行计算需求，我们会选择 GPU，一般通用计算则是使用 CPU，若是神经网络模型的处理和加速，则是采用 NPU 结构。

　　目前在 IC 设计的训练需求方面，由于牵扯到各家 IC 设计公司的机密技术，很难从公开管道获得学习的方法，也就是说，未来 AI 化 IC 设计在机器学习所需要的数据来源，可能仅能限定于自家设计的方案，导致参考性有限，未来较难做到完全的自主。而虽然代工厂可以获得大量的 IC 设计关键数据，但为了保护客户设计，即便是 EDA 公司也很难从这些管道得到大数据。

　　市场竞争的激烈导致 IC 设计公司不愿透露数据给 EDA 公司作为建立模型使用，毕竟当 EDA 工具自动化程度越高，能做到的项目越多，对 IC 设计业者而言，虽可能带来更大的便利，但同时也可能会引进更多的竞争者，而这就是目前 EDA 工具要 AI 化的两难之处。

　　未来机器自主设计的软硬件比重将明显增加，人类地位岌岌可危？

　　除了 Google 以外，也有越来越多厂商正在发展类似 AutoML 之类的自动化 AI 工具，比如说由英特尔实验室的 AI Programmer、微软的 DeepCoder；EDA 工具厂商也都在想办法解决大数据共享与取得问题。未来我们要建立自己的 AI 模型，可能根本不需要学习如何编程，而是只要选择正确的工具，并输入正确的数据集，工具就能自动建立好模型。而 IC 设计业者花费在 IC 布局与验证的时间也可望借助高度 AI 化的 EDA 工具而大幅减少，开发人员可以专注于核心的逻辑算法结构部分。

　　而这代表 AI 会大幅取代目前的人工方式？答案已经很明显了。

　　就好像一般客服或者是重复性文书处理工作，未来肯定会被大幅取代，如果在软件公司中负责的工作只是简单的接口设计，或是一般程序设计或建模工作者，那可能不久之后也要担心饭碗问题，不过核心算法或设计者短时间内还是很难被 AI 取代，暂时还可以高枕无忧。

　　IC 设计方面也是类似的情况，基础的调试工作，或者是 IC 内部的基本布局设计工作可能会被 AI 大量取代，但是关键的主要架构部分，比如说 NVIDIA GPU 中的 CUDA 单元，X86 CPU 之中的译码与分支预测结构，这些短时间之后都不是 AI 能够自主的设计。

　　当然，这也代表，未来不论在软件或者是 IC 设计中，实际需要的开发人员将可能大幅降低，并走精兵政策；晶圆代工厂中的机台调试人员大概也都会被 AI 取代，毕竟调试工作没有比 AI 更能刻苦耐劳和细心的了，晶圆代工厂中需要的人类员工，大概就剩下精通材料及工艺发展的少数高端核心人才。

　　从另一个角度来，AI 自主设计开发 IC 与软件的技术所带来的变革，主是对既有半导体产业带来新的变化，也可能进一步改变传统价值链的分工体系，不论是华为海思形态的发展模式，又或者如鸿海大范围覆盖多个领域的战略布局，AI 将会许多企业开启新的战略思考方向，不论是垂直形态的横跨上下游发展，又或者是水平形态的跨产业领域全面植入 AI 能力，由 AI 带来的革命性变化效力之大，将不容小觑。