Cadence正式推出了专门为AI设计所打造的TensilicaDNA100处理器IP，能够利用算法提高芯片能效，功耗也大幅度降低。Synopsys也推出了内置神经网络引擎的嵌入式图像处理器，来实现内存高速存取的设计需求，还提供芯片开发初期就确保AI数据安全性的IP选项。下游的集成商如台积电，也在ARMA72和A73等内核上成功地部署了机器学习，以帮助预测最佳的单元时钟门控，提升整体芯片速度。
总的来说，AI对EDA提出了新的技术要求：一是能够以更高效率执行矩阵乘法、点积等运算任务的专门化处理；二是实现深度学习任务快速存储需求的架构创新；三是打造传递各种数据资料的连接界面。
尽管目前，国产EDA欠缺一次全面的补课，但当务之急并非盲目地一拥而上。市场的需求，产业端的算法饥渴，技术和产品填补空白的优先级，都将国产EDA工具的前路指向了AI。
重新制造轮子：中国EDA的AI土壤
当然，在EDA工具的AI化过程中，还是需要有的放矢。所以接下来，是时候讨论这个关键的问题了，中国EDA厂商的逆袭可能性，以及关键力量究竟在哪里？
对于这个庞大的命题，政策、资本、学术等可能需要几十年、几代人去解释，在此，我们不妨将目光聚焦在一些具体的技术趋势上，比如云计算。
EDA上云是未来的趋势之一，利用云端庞大的运算能力能够有效解决仿真耗时的问题，直接降低芯片创业者获取EDA工具的成本，某些芯片大企业也可以灵活地临时使用某些工具。而众所周知，中国云服务厂商无论是在硬件部署、软件创新、软硬件协同方面，已经开始成为智能产业的支撑力量，也将成为推动EDA领域进化的关键变量。
再比如AIoT的蓬勃发展。
软硬体协同这类因AI衍生的协同设计需求，需要新一代EDA工具来适应。同时，与产业应用端的亲密呼应，也会影响与打磨新一代EDA的设计与验证解决方案。举个例子，车联网、规模运算、高频通信等应用领域的设计，都对系统级分析工具提出了更高的要求，为了更全面地支持各种场景，EDA从业者也需要向工程模式（CAE）等方向全面延伸，这些领域的交融会跑出多少黑马，是个令人兴奋的未知数。可以确定的是，中国土地上如火如题的AIoT建设，也在不断为EDA产业输送养分。
撬动一座产业版图的，有时是一力降十会的绝对实力，有时也许是顺势而为的一个支点。
关于EDA,IC设计就介绍完了，您有什么想法可以联系小编。