芯片难造，一颗芯片从 0 走向市场的过程中，需要经过大量烧钱耗时的环节。其中，芯片设计前端和后端的复杂验证工作，正是造成芯片制造周期过长的关键问题。
幸运的是，在智能芯片走向物种大爆发之际，越来越多的团队在探索新的工具和方法，以减少验证环节的耗时，进而整体缩短芯片的 time to market。
在近日于清华大学举办的未来芯片论坛上，斯坦福大学教授 Subhasish Mitra 就带来了这样的工作：根据他的报告“Building Intelligent Chips Requires Intelligent Verification: QED and Symbolic QED”，团队开发的两种新型算法，可以更快地进行芯片前端设计和后端设计的漏洞检测，从而降低芯片验证周期。
不仅如此，测试结果也显示，新型AI算法还发现了一些不被传统检测方法所覆盖的设计漏洞。
换句话说，团队希望AI算法可以抢先黑客一步，帮助将这些未来可能会被黑客发现并利用的硬件漏洞扼杀在摇篮之中。因为在过去几年，已经出现影响范围广泛的芯片漏洞，以英特尔 2018 年被发现的“熔断”“幽灵”漏洞为例，这两大硬件漏洞就分别允许低权限的用户和应用访问系统级内存造成数据泄露；而“幽灵”则可骗过安全检查，直接通过应用访问内存的任意位置。
图 | 芯片从0走向市场的过程（来源：Subhasish Mitra）
Subhasish Mitra 和他的同事开发了两种 AI 算法，可分别用于芯片验证的两个阶段：
QED （Quick Error Detect）算法，针对流片后验证环节（Post-Silicon 验证），检测工程样片的缺陷，主要包括逻辑错误、电路错误、系统级测试等，为产品真正进行量产之前做准备，该环节也带来大量的人力成本；Symbolic QED，针对流片前验证环节（Pre-Silicon 验证）。
这两种算法本质上都是将漏洞检测的过程自动化，以弥补现有检测方法在漏洞检测上存在的延时问题（error detection latency），相比过去，使用AI算法进行检测不但减少了延时，而且能够找到更多的漏洞，同时以软件的方式进行改进也兼具灵活性。
（来源：Subhasish Mitra）
其中，QED 在检测 NXP 的汽车芯片的逻辑错误上将以月计的工作量缩短到了以秒计。Symbolic QED 则在过去 5 年间，在 16 款汽车控制处理器上进行了试验，检测到了所有由工业验证流程（包括各种基于模拟的验证和形式验证）检测到的逻辑错误，与此同时，Symbolic QED 还检测到用传统方法没有检测出来的逻辑错误。
“Symbolic QED 可显著提高设计生产率，传统工业验证每个月 6 个人完成的工作可以由两个人一天之内完成”，他说。
而在 AI 加速芯片上，Symbolic QED 也实现了提高效率、覆盖多元漏洞的效果：比传统方法多检测出 13%的漏洞，1 位测试工程师 1 个月完成的工作可以缩减为 1 天就能完成，即效率提升的 30 倍。
（来源：Subhasish Mitra）
据了解，团队还将继续改进和开发更实用的算法，用以检测和修复更复杂的智能芯片，例如负责控制自动驾驶汽车导航系统的芯片。
未来的智能汽车将会集成各种各样的智能芯片，用以支撑汽车的驾驶智能、娱乐智能等，对于芯片厂商和汽车厂商来说，在发现并修补芯片漏洞上稍落后黑客一步，或造成不可估量的后果。
可以预见，在芯片从业者为越来越多具体应用场景开发专用智能芯片的行业大势之下，使用高度自动化、智能化的系统来发现并修复芯片潜在漏洞将十分必要，亦值得行业持续关注。
