曾經，摩爾定律是推動晶片設計快速變革的隱形推手，但如今隨著物理和經濟極限的逼近，它已漸漸不再適用。尤其是隨著AI運算浪潮的崛起，晶片設計面臨許多挑戰，迫切需要一場全新的深度變革，從多個層次重構，才能滿足當下、適應未來。

憑藉35年來在SoC晶片設計領域的豐富經驗與深厚積累，Arm一直走在晶片技術革命的前沿，從移動晶片到再到定制晶片莫不如此。

近日，Arm解決方案工程部執行副總裁Kevork Kechichian分享了Arm對於AI時代晶片設計變革的深度思考，並從多個角度提出了下一步的方向。

摩爾定律早在1965年就誕生了，尤其是在20世紀八九十年代，它持續且精準地指導著芯片和半導體行業的快速迭代，推動了芯片和其他組件的小型化、移動化，行業呈現出一片欣欣向榮的景象，這也為Arm的發展提供了廣闊空間，使其開始大展拳腳。

從1990年代中期的行動晶片組崛起，到21世紀初期SoC系統級晶片的繁榮，技術的演進歷程推動了整個行動產業的繁榮發展，SoC也逐漸滲透至更多領域，甚至包括對效能、擴展性要求極高的資料中心。

AI時代來臨，隨著運算負載規模、複雜性的持續攀升，能源消耗、成本劇增的壓力越來越大，這顯然並非可持續發展之路，計算能效、客製化、平台化等正受到越來越高的重視。

能效無疑是其中最為核心的關鍵點。從晶片設計的角度來看，最主要的能耗來源有兩個：運算和資料傳輸。此外，還需要對過程中所產生的熱量進行冷卻處理。

AI對於算力的渴求，導致晶片功耗呈現爆炸性成長趨勢，例如NVIDIA最新的Blackwell B200 AI晶片，其功耗可能將達到1千瓦。

權威機構高盛也預測，AI將推動資料中心的電力消耗快速成長160％，為一座大型資料中心配備一座專門的發電廠並不是開玩笑。

更不要提這對環境的破壞…

為此，整個產業都在進行各種新的探索嘗試，從多角度解決能耗問題，包括但不限於：更高效的晶片設計、更深層的架構與指令集創新、更小尺寸和更高效率的AI模型、雲端端結合的AI執行，等等。

AI 驅動的網路威脅- 來源：DarkTrace—2024 年AI 網路安全狀況報告

同時，安全威脅也在AI時代日益突出。

DarkTrace 2024年公佈的一項調查報告，接近74％的受訪者表示AI驅動的網路威脅已帶來顯著衝擊，60％的受訪者擔心尚未做好充分準備應對這類威脅與攻擊。

311研究所甚至提出，「我們已經到達了這樣一個階段：完全自主的智能體AI 網路攻擊能夠自我進化、識別系統漏洞，並發動複雜攻擊。」科幻中的場景已經開始成為現實。

在一個實際案例中，一種AI攻擊不到2分鐘就通過串聯零日漏洞，攻破了軍用級系統。

這意味著，如今的安全防禦已不再只是對抗傳統惡意軟體的問題，而是為一個AI本身就是攻擊者的未來做好準備。

為此，Arm和其他晶片企業在現代SoC中整合了越來越多層次的安全機制，協同工作抵禦各種威脅，包括但不限於：嵌入式加密保護、機密計算架構(CCA)、硬體信任根(RoT)、安全飛地、可信賴執行環境(TEE)、安全內存管理單元(MMU)、內存擴展標記(MTE)、PSA認證、定制晶片安全晶片標準，等等。

同時，業界正在不斷加大對硬體級安全的投入，透過建構具備信任根和標準化安全機制的系統，抵禦AI驅動型攻擊。

可以說，AI正在深刻影響著晶片設計。由於AI負載的興起，尤其是它的多樣化、複雜化，正在從根本上改變晶片的設計方式，特別需要針對大規模並行處理、記憶體頻寬優化的差異化架構。

具體來說，AI時代的晶片設計，迫切需要新型的專用加速器架構、記憶體子系統的創新與突破、能源效率的高度聚焦、封裝與整合方式的演進。

Arm在報告中提出，未來的晶片，將具備幾個鮮明的特點：不同技術與路徑的深度集成、更成熟的電源管理技術、更緊密的生態系統協作、內存架構與集成方式的創新、面向AI及其他高性能計算需求的專用解決方案。

同時不容忽視的是，除了設計晶片服務AI，AI也在服務晶片設計，AI正成為晶片設計流程中不可或缺的一部分，例如機器學習(ML)技術正廣泛應用於佈局佈線、能耗優化等各個設計環節。

由此，形成了一個有趣的回饋迴路—— AI正在協助設計用於運行AI工作負載的晶片本身。

基於此，Arm提出了五個清晰可辨的晶片設計大趨勢.

一是協作深化：

現代晶片設計日益增加的複雜性，要求IP供應商、晶圓代工廠、封裝廠、系統整合商之間，建立更緊密的合作關係，因為沒有一家公司能夠獨立完成所有工作。

二是聚焦系統：

晶片成功的關鍵，不再是單一元件的最佳化，而是對系統進行整體最佳化，包括運算、記憶體、電源管理、散熱管理等各個面向。

三是標準化：

為了實現真正模組化的晶片設計，靈活、高效匹配不同的負載和場景，業界必須制定新的標準，包括芯粒介面、電源管理、散熱管理等。

四是能耗感知設計：

從架構設計到具體落地，晶片設計的每一個環節，都必須以高能效為核心進行考量，不能單純追求效能而無視能耗問題。

五是專用化：

差異化的工作負載，將催生更多專用架構，推動晶片設計走向多元化。

尤其是在架構設計方面，正因為它決定了一款晶片幾乎所有方面的表現，包括性能、能源效率、安全性、靈活性、發展潛力等等，所以更加至關重要，AI時代的晶片架構設計自然需要及時轉換。

AI負載對運算的需求與以往截然不同。Arm堅信，只有透過異質運算，也就是CPU、GPU、加速器及網路等技術的共生協作，才能最大程度地滿足AI驅動的算力成長需求，而Arm計算平台就是這樣的一個產業優解。

異質運算方面，基於Arm架構的CPU，正在成為GPU、NPU、TPU等AI加速器的理想搭檔，既能高效管理資料流和運算任務，又不會遇到瓶頸。

推理效率方面，大型AI模型的訓練通常依賴高效能GPU，而對於端側和資料中心的推理任務，Arm的高能源效率處理器就非常適合。

可擴展性方面，Arm架構支援CPU、GPU與專用加速器的無縫集成，可組成優化到位的AI系統。

可以說，晶片架構如今已成為決定AI系統能效、效能的關鍵要素。 Arm正是憑藉著創新、客製化、高能源效率的獨特優勢，成為業界的核心力量。

創新方面，Arm定期發表新CPU架構及支援功能，專注於推動客製化晶片發展，確保與不斷演進的AI工作負載需求保持同步。

客製化潛力方面，隨著AI模型在複雜度和規模上的不斷增長，Arm架構的靈活性使其能夠針對特定AI任務打造專用解決方案。

能源效率方面，基於Arm架構處理器的高能源效率特性，使其在管理大規模AI部署的總擁有成本方面，展現出更高的價值。

當然，單純的硬體是無法解決任何問題的，軟體的協同至關重要，可以說AI發展的未來就在於軟體與硬體的深度融合與協同發展。

例如AI框架之間的互通性、AI模型為客製化硬體的移植、AI開發中的標準化、各種新的資料類型的處理，以及各種開發工具的適配，都為產業帶來了新的挑戰。

Arm致力於支援能與所有主流AI框架廣泛相容的晶片解決方案，從而確保Arm運算平台能夠與多樣化的AI工具無縫集成，使開發者在擁有軟體靈活性選擇的同時，還能充分利用Arm架構晶片卓越的性能和能源效率。

對於AI軟體的開發，Kevork也提出了四點關鍵建議：

一是善用廣泛的通用工具，有助於簡化開發流程，減少開發片段化，進而加速結果落地、降低成本。

二是提供預先建構的後端支持，為定制晶片提供「開箱即用」的兼容性，從而加快其落地。

第三是維持對上游的貢獻，積極開發開源框架，從而確保相容性，避免技術發展停滯不前

前。

四是緊跟框架演進步伐，隨著AI框架的快速演進，保持與最新技術同步對於維持競爭力至關重要。

當下，半導體產業正處於一個重要的轉變時刻。傳統的摩爾定律和製造製程縮放技術已陷入瓶頸，客製化晶片、芯粒等創新方案正煥發全新活力。

AI時代的到來，更是對整個晶片產業提出了全新的考驗，需要上下游企業摒棄以往的傳統觀念，針對AI負載的突出特點，重新思考晶片的架構、性能、能效、安全、軟體工具等各方面如何協同設計才能達到最佳成果。

正如Kevork所總結，運算的未來，尤其是AI的未來，取決於我們能否持續突破晶片技術的極限。

未來幾年，半導體產業如何持續創新以適應AI需求，將變得至關重要。只有透過整個生態系統的協作，才有可能達成最理想的境界，既能釋放AI的變革潛力，又能有效控制複雜度、能耗和成本，從而透過AI讓我們的世界變得更加美好。