9月1日，Cadence一年一度的CadenceLIVE China用户大会成功以线上的形式举办，此次“CadenceLIVE China 2020”的主题为“释放想象”，由主题峰会、12场技术分论坛和线上设计者展会组成，汇聚Cadence的技术用户、开发者与业界专家，涵盖从IP/SoC设计、验证仿真、封装和板级设计及系统分析全流程的技术分享。在主题峰会部分，嘉宾们从产业趋势，到技术革新，发布了深度见解。

　　大会一开始，Cadence公司副总裁、中国及东南亚地区总经理徐昀表示，随着科创板助推产业发展腾飞，优秀的半导体企业开始不断走到台前，中国一直是Cadence投资重地，本地化支撑是我们的服务宗旨，对中国半导体未来充满信心。

　　Cadence公司副总裁、中国及东南亚地区总经理徐昀

　　Cadence公司CEO陈立武（Lip-Bu Tan）带来了主题为《推动以数据为中心的革命》的演讲，他表示，目前业内有5大技术潮流：5G、超大规模计算（Hyperscale Computing）、工业物联网、自动驾驶以及AI，背后推动力则是芯片。大数据推动整个半导体行业的发展，包括数据收集、传输、存储、处理、分析，需要各方面的创新，包括架构、设计EDA、IP以及整个生态的创新。

　　Cadence公司CEO陈立武

　　如今我们正在步入超大规模计算时代，一方面数据指数级上升，过去两年时间产生的数据达到了约90%，其中非结构化的数据占到80%，只有低于2%的数据是被分析和处理的。另一方面，性能和延时需要满足从端到5G固定无线接入，再到边缘计算，以及后面的数据中心的各自需求。超大规模的资本投入也使得产业转型成为可能，再加之受到从年初以来的疫情影响，人们的工作、生活、娱乐行为开始转为线上方式，使得相关的资本支出将继续增加。

　　截取自陈立武演讲

　　陈立武表示，数据中心的革命正在推动产业多方面的需求以及技术创新，在数据处理方面，应用开始驱动系统设计，特定领域的加速变得非常重要，管理软件堆栈也日益重要；在存储方面，出现以内存为中心的计算，对延迟、带宽、容量和成本有了更高要求，下一代存储技术如PCM、MRAM、QVM、3D NAND需求旺盛；在数据连接方面，需要超高带宽，市面上已经出现从12.8 Terabits到25.6 Terabits传输能力的方案，51.2 Terabits的方案明年也将出现；在数据分析方面，数据训练需要大量的标记数据集，也需要对数据进行标签和分析的新方法，此外启发式函数和图分析会有很大发展。

　　如此的时代大背景下，AI/ML、系统设计以及EDA的发展正在推动产业从设计到系统再到智能化的发展，因此，Cadence也成立了Intelligent System Design策略，其中包括整合EDA、系统设计和AI；贯穿整个设计的智能化；以计算软件为基础；系统、硬件、软件的协同优化；跨多个系统域。

　　截取自陈立武演讲

　　摩尔定律速度的放缓，设计成本的不断增加，行业内开始探索新的突破口，其中异构集成、SiP、Chiplets等都实现了创新，陈立武表示，Cadence可以在3D封装方面提供完整的设计解决方案，尤其擅长混合融合设计。

　　在演讲期间，陈立武透露Cadence大力投资了Green Hills公司，加强了在安全嵌入式方面的投入，进一步完善Cadence智能系统设计的策略，帮助客户设计更优质的芯片以及更快的上市时间，满足不同需求。

　　在云服务方案，给客户不同应用方式，目前有125家大小公司在使用Cadence的方案，其中包括台积电、三星等客户。目前，Cadence的工具可以在云上操作。

　　Cadence公司总裁Anirudh Devgan博士的演讲主题为《计算软件驱动智能系统设计》。Anirudh Devgan表示：“未来十年，科技将驱动更多的计算软件、更多的数据分析以及更多的数学软件。无论是EDA还是AI系统方面，Cadence的软件都处于非常有利的位置。”

　　Cadence公司总裁Anirudh Devgan博士

　　其中，验证芯片和系统是一个非常大的问题，据Anirudh Devgan介绍，Cadence的客户运行了非常多的验证和仿真加速周期，其中CPU核心是10的13次方，GPU设计是10的15次方。如果运行10个15次方的周期，对于芯片验证来说是非常庞大，但永远不知道什么时候是足够的。

　　截取自Anirudh Devgan演讲

　　随着时间推移，在软件和硬件验证需求会越来越大。Anirudh Devgan称“我们使用了多个引擎，包括仿真器，形式验证引擎，使得每个引擎性能达到一流。”

　　当然，一流的引擎远远不够，背后的计算运筹也值得思考，它决定了使用更好的不同引擎的程度，以及验证解决方案的整体有效性。在验证中，计算运筹使用数学算法来管理不同的引擎，并知道什么时候使用什么。

　　在回归测试例子中，过程中包含了大量的验证仿真，那么回归测试的有效性决定了整体验证的有效性。Anirudh Devgan表示Xcelium ML使用了机器学习，来提高整体回归和验证的吞吐量。运行Xcelium ML可以获得相同的验证覆盖率、相同的设计覆盖率，但速度加快了5倍。

　　截取自Anirudh Devgan演讲

　　Anirudh Devgan介绍了Cadence验证方案的另一亮点——Palladium硬件仿真加速器和Protium原型验证平台的动态组合，Palladium是SoC调试中最好的引擎。而Protium在软件调试方面堪称一流，运行速度比Palladium快得多，两者结合就有两个相同的前端，因此可以非常容易的从硬件验证过渡到软件验证，这种组合对客户非常有益。两者的使用多少取决于客户的灵活调整。

　　截取自Anirudh Devgan演讲

　　在数字实现设计方面，Anirudh Devgan回顾了Cadence的产品——Innovus，Genus，Tempus，Quantus。最早的产品追溯到2013年，期间，Cadence的目标是提供一个完全的整合方案。当工艺节点走到16nm、7nm以下，引擎需要被完全整合，Cadence需要持续提供最好的PPA产品（功耗、性能和面积）。

　　而数字全流程的关键技术就是运用ML，当客户设计他们的芯片时，他们并不是只运行一次这些工具。工具一次次被运行，使用者在运行中获得知识，然后将其转换到下一次运行中进一步优化，这是过去几十年常规设计过程。只有使用机器学习，它提供精确的框架，将之前的知识应用到下一次运行中，Anirudh Devgan称之为非常强大的转变。不仅运行一次，而且从一次运行到下一次运行知道怎样优化。使用ML是一个强大的科技，来对设计规格进行更有效的搜索，它将会在工具中找到最佳的选择，最好的流程，供客户使用。

　　截取自Anirudh Devgan演讲

　　在3D-IC方面，“我们正在努力使Allegro与Innovus和Virtuoso结合，这就是IC设计实现系统以及封装实现系统，为客户提供一个整合的方案。” Anirudh Devgan表示，“Cadence处在一个特殊位置，作为仅有的能真的无缝整合先进封装和IC设计的公司，在这上面，我们正在加入许多分析工具。产业正在发生巨大的变化，Cadence正在大量投资，为客户提供正确的方案。”

　　截取自Anirudh Devgan演讲

　　Anirudh Devgan还提到一项收购案，即收购InspectAR，一款增强现实的平台。“第一次进入增强现实领域，从Allegro平台开始服务Allegro用户，我相信增强现实能真的帮助PCB和封装设计。”

　　“AR是一个特殊的价值点，正在飞速发展，但还没有应用在EDA设计工具以及系统工具中，但我们觉得这是应用AR到Allegro和SoC产品的绝好机会。”

　　在《大芯片量产，硬科技落地》的主题演讲中，燧原科技CEO赵立东做开场白：“2020年已过大半，充满了机遇与不确定性，本着做大芯片，拼硬科技的初心。”

　　燧原科技CEO赵立东

　　从英伟达市值超过英特尔这一标志性事件来看，赵立东表示：“英伟达凭借着在AI领域的龙头地位和重仓押注数据中心，这也是燧原定位的市场，说明我们战略方向是正确的，在互联网、垂直市场和新基建三个方向积极拓展业务，以技术创新和业务盈利双轮驱动业务发展。”

　　从具体产品来看，据燧原科技COO张亚林介绍，燧原科技DTU云端训练芯片系统的架构是GCA（General Compute Architecture）架构，在以往，AI的通用架构是GPU，随着时间发展与技术迭代，英伟达和AMD不再把GPU作为加速手段，而是把游戏加速卡与AI加速卡分开。

　　燧原科技COO张亚林

　　张亚林表示：“燧原科技一直遵循最先进的架构设计原则，在DTU云端训练芯破系统里，完全通用化了计算系统，其中囊括四个模块：通用计算引擎、通用数据引擎、通用智能互联和通用编程模型。”

　　其中，通用计算引擎负载AI计算部分，可以进行全数据精度的计算，同时内置特定加速器对点/向量/矩阵运算，还有内置核心对超越函数加速，同时支持多线程和多核心同步。通过数据引擎对L1/L2/L3分布式存储，且内置计算部分，还是指令驱动的数据流，对带宽/能耗进行深度优化，以及稀疏处理。在通用智能互联部分，内置了强大互联引擎，构建2D Mesh的拓扑结构，也支持定制拓扑结构，燧原分布式运算支持多机多卡部署。在通用编程模型上，充分设计自己编程语言，对计算流和运算核心进行高效编程，也支持自动算子生成和融合。

　　具体规格来看，云燧T10支持20TFLOPS的在FP32的单卡算力，以及80TFLOPS在BF16的算力，支持PCIe 4.0互联，最大功耗225W。涵盖了人工智能大部分场景，计算机视觉、语音、自然语言处理、推荐、强化学习等复杂模型训练。

　　此外，云燧T10-Matrix是一个面向数据中心的人工智能训练集群系统，目前已完成大规模部署的互联网数据中心的商用集群系统（可扩展到千卡规模）。

　　“大芯片的设计难度比小芯片是指数级上升，挑战主要在芯片、板卡、服务器以及软件上。”张亚林表示大芯片的量产并不是触手可得，芯片端需要保证可靠性、在性能/频率/电压调协下保持性能、良率、功耗/散热；板卡端要保持可靠性、信号完整性、良率、功耗/散热问题；服务器方面，需要进行兼容性测试、压力测试、质量认证以及系统工具；软件端，需要考虑可靠性/稳定性、灵活的编程模型和开发接口、多模型覆盖以及完整工具链。

　　真正的大芯片量产，硬科技落地要走过非常长的路，其中架构完成只是完成5%，流片完成只进行了20%，芯片点亮完成了30%，芯片功能测试完成只是达成了50%，此后还要从芯片、板卡、服务器、软件等多方面保证，才能确保最终的大芯片量产。

　　最后，张亚林表示，大芯片是中国挺起科技脊梁的必要方向，我们需要实现真正的业务落地和算力普惠，为中国的科技界带来更多更好的解决方案，实现整个人工智能规模化的应用，这才是当下科技时代应该做的东西。

　　亚马逊网络服务副总裁、Annapurna Labs联合创始人/ CTO Nafea Bshara演讲主题为《云计算和工业合作如何帮助改变芯片开发的曲线》，演讲一开始，Nafea Bshara从一款芯片产品说起。

　　亚马逊网络服务副总裁、Annapurna Labs联合创始人/ CTO Nafea Bshara

　　几个月前，亚马逊发布了第二代自研服务器芯片Graviton2，基于ARM架构自研的第二代服务器处理器芯片Graviton2，相比1代Graviton，Graviton2的性能提升7倍。在此前的发布会上，亚马逊还将其与配备Intel至强铂金（最高3.1GHz）的第五代实例进行对比，单核心性能全面领先。

　　截取自Nafea Bshara演讲

　　也因为此，外界对Annapurna Labs的关注度不断提高。据Nafea Bshara介绍，Annapurna Labs成立于2011年，专注于IT基础设施，起初是一个非常小的团队，资本也不是很多。随着市场的炒作，人们开始关注云计算的初创公司，但在2011年，人们对云计算的关注度还不是很高。

　　资料显示，2015年时，Annapurna Labs与亚马逊进行了合作，亚马逊推出了EC2 C4实例系列。除了将网络虚拟化装载到定制硬件之外，这些实例还得到了为存储服务优化的ASIC的支持。随后是收购让亚马逊如虎添翼，不断在服务器芯片上有自己的动作。

　　Nafea Bshara表示，半导体行业有一个独特的产业链，囊括EDA、IP、代工厂、封装等，而芯片设计又是一个高风险的业务，依赖于全球技术和供应商的支持。

　　此外，芯片的开发还遵循着开发成本、价值时间、工程人员不断指数级增长的规律。起初亚马逊采取与Arm等合作伙伴合作的方式，来进入到市场，并从18个月内完成从0到投产的目标。随后困难接踵而至，先进工艺的追求开始影响亚马逊的突破。Nafea Bshara表示，此时的亚马逊开始思考如何通过强大的工具来制定计划和降低成本，与此同时，亚马逊开始与Cadence紧密的合作。

　　截取自Nafea Bshara演讲

　　Nafea Bshara声称，利用Cadence JasperGold，通过形式验证是提高质量的关键所在，而这也是亚马逊提高芯片质量和工程生产率的最佳工具，同时可以优化上市时间以及降低开发成本。整体来说，在完成关键任务所需的时间上缩短了10倍以上。

　　此外，使用亚马逊Graviton2可以处理大部分的EDA工作负载，据Nafea Bshara介绍，从2016年-2017年推出的R4到2020年的R6g实例来看，AWS最新的Graviton2在R6g上的实例，比前一代R5上英特尔的芯片提高20%运算速度，以及20%的功耗降低。从2017年到2020年的进化来看，整体运算速度提高了44%，功耗优化了89%。

　　从基于云的EDA开发趋势来看，有了质的转变，曾经需要考虑服务器购买、服务器更新、购买怎样服务器的抉择。如今基于云的EDA开发，可以挑选最理想的服务器，对产品上市和IT成本有了很大优化，团队拥有自己的预算并且开支受到监控，更可以在预算之内选择更多服务器，最后还有安全监控、管理、存储/备份等服务。

　　作为集成电路产业上游的领军企业，Cadence在过去30多年见证了全球半导体的技术创新和产业发展。如今，数据的爆炸式增长正在助推数据中心的革命，而软件工具在背后支撑起整个产业链的健康快速的发展，一场软件创新时代已经来临。