深度学习开启EDA 4.0时代
上文提到，英伟达为设计一款芯片耗费了8000名员工一年的时间。不过彼时EDA产业已经发展到相对成熟的地步，为何还会出现如此大动干戈的情况？其中缘由在于深度学习。
对于整个科技行业来说，深度学习的全面爆发有着影响深远的意义，它给软件系统、硬件产品端和半导体等领域都带来了冲击，EDA产业也不例外。在人工智能的影响和摩尔定律逐步失效的情况下，芯片架构设计和定制化要求成为当下IC设计的主旋律，这让传统EDA工具也露出了自身的局限性。
2015年，应DAPRA要求，为迎合AI带来的定制化需求去改进EDA，加州大学伯克利分校6名研究生尝试采用了全新的EDA语言和技术来验证该校RISC-V中心的BOOM-2项目。结果有些出乎意料，他们仅花了6个月就完成了含有25M个晶体管的设计。与此相比，受深度学习影响之累，英伟达的出手确实太“阔绰”了些。也因此，传统EDA工具的局限性显露无疑。
在深度学习、云计算等技术的影响下，半导体产业在自动驾驶汽车、智能汽车、物联网等新兴领域的驱动下迎来了新一轮发展高潮，IC设计的各个环节与设计方法都在发生改变，芯片设计的复杂度大大提升，数字系统的设计周期和设计成本压力激增。且现在随着电子行业的长尾效应，沿着尾部走得越远，设计成本占总成本的比例就越大。
对于Fabless公司来说，设计占据的比重越来越大，使用EDA工具会有诸多好处，比如缩短上市时间、降低产品设计和开发成本，同时可以促进设计可靠、高速、高密度的集成电路。
对于EDA厂商来说，受自身局限性和降低成本需求强烈的“双面夹攻”，变革确实不得不为。但落实到细节上，他们不仅要解决因此暴露出的历史遗留的诸如数据共享、工具接口等管理问题，还要完成定制化要求带来的硬件语言和系统框架结构上的革新。这不可谓不是一道难题。
为了应对变化，2017年Mentor公司正式对外宣布全面调整战略，称要率先带动EDA 4.0，并打造将多种高级验证技术无缝连接形成一个综合性的服务平台，从而大大提高ASIC和现如今大火的SoC功能验证的生产效率。与此同时，Synopsys、Cadence也不落后，一边在接触科技巨头一边也在AI领域动作频频。
有意思的是，在压力的驱使下，EDA厂商不仅将AI融入到了EDA生态建设中，以解决设计复用、档案反复、零件琐碎、自动化不足等工具问题，在这之外，他们还关心起了FinFETs、3D-IC等新工艺，参与新架构的设计，同时关心5G、自动驾驶、云计算等前沿技术。在创新技术的关注度和参与度上，EDA厂商堪比前沿科技巨头。
对此，Cadence产品管理总监Dave Pursley曾公开给出解释，“目前处于前沿的公司是对EDA工具影响最大的公司，因我们希望通过接触他们来训练我们的工具，然后让行业的其他人使用这些工具，同时改善这一流程。”
不会做解决方案的EDA厂商不是好的AI公司
但仅仅抓住大客户是抓不住整个市场的，Pursley也意识到了这个问题，“虽然我们关注的是大客户，但打造出的工具并不具有通用性，也有很多客户在寻求成本更低、生产率更高的解决方案。他们承担不起投入大量人力的代价，需要找到更好的办法。”
传统意义上，许多芯片设计都是采用标准元件来搭建的，EDA厂商只需要提供软件工具即可。但是随着更多的复杂技术逐渐渗透到物联网等设备中，人们对计算能力的需求正在增加，而这显然超出了传统芯片设计架构和标准器件搭建所能提供的，且功耗增加、安全性降低、可靠性降低等问题也是与日俱增，因此，自定义设计的需求日益增长。需求各异，定制化解决方案自然成为当下“最好的办法”。
作为国内EDA厂商的领头者，华大九天的起点和重点就是做好定制化服务，即针对不同芯片的设计需求提供全流程整体解决方案等服务。可见，做好解决方案成为EDA厂商不得不学的必备本领。
由EDA厂商来做解决方案的原因也显而易见，相较于芯片流片的成本，在EDA虚拟平台上的花费自然会少许多。而如历史上任何技术的商用发展历程，成本全面降低是广泛应用的首要前提。
追着创新走，这是EDA厂商的使命。相较于过去，当下EDA厂商在芯片设计过程中的作用显然举足轻重，而素有行业技术风向标之称的DAPRA深谙此理。2018年7月，它宣布投入15亿美元协助半导体产业长期发展，其中就包括研究和优化测试、虚拟仿真等EDA软件算法和系统。
从曾经只需解决逻辑电路功能到如今面向产业链，EDA厂商甚至承担了对Foundry的良率和成品率的解决方案。
现在，用AI技术来面向产业链需求去做好用的解决方案已经成为EDA厂商的共识，但如何基于工艺变化和技术需求研制先进的支持系统、打造IP产品及全套设计解决方案成为EDA厂商的巨大挑战。
