“能源消耗”、“碳排放”、“续航焦虑”，这一系列的问题反映到半导体领域，都与芯片功耗息息相关。目前，我们正处于数字化浪潮中，伴随着物联网、移动计算、自动驾驶汽车和数据中心等技术的蓬勃发展，芯片设计师们正面临着一个巨大的挑战：如何在追求高性能的同时，有效管理功耗？这是因为，高能耗不仅导致系统过热、电池续航减短、成本上升，还会增加碳排放，从而对环境产生不利影响。

实现每瓦特的最佳性能，已成为各行业芯片设计师面临的“必修课”，谁能更有效地解决能耗问题，谁就可能获得竞争优势。

新兴市场，面临功耗之殇

近年来，智能汽车、数据中心和人工智能（AI）等新兴市场正迅速发展，这些领域对高性能芯片的需求不断增长，以TOPS著称的AI加速器逐渐成为半导体领域的中流砥柱，为这些新兴领域提供强大的算力支持。然而，高算力、高性能的背后也意味着高功耗。

在汽车领域，随着汽车电动化、智能化和网联化的快速发展，驾驶辅助系统、智能安全功能和先进的信息娱乐系统已普及至各价位车型，不再是高端品牌的专属。这些创新功能的核心依赖于硅芯片技术。行业数据显示，传统内燃机车辆（ICE）中含有1000多个芯片，而在电动车（EV）中，这一数字翻倍。

这么多的电子设备意味着消耗大量的电能：

• 对于内燃机车来说，这增加了电气系统和充电系统的负担，因此汽车制造商正在考虑从目前的12V系统转向48V系统。这样可以降低车辆线路中的电流水平，使用成本更低的细电线，同时提高可靠性。

• 对于EV，车载电子设备的高能耗直接关系到续航里程，“续航焦虑”成为消费者购车过程中仅次于价格的第二考虑因素。现代车辆，特别是那些集成了先进驾驶辅助系统（ADAS）、自动驾驶技术以及音视频智能功能的车辆，需要处理来自多个来源的大量数据，例如视频、音频、雷达和激光雷达（LiDAR）等。这些数据源为车辆提供了关于其周围环境的详细信息，使其能够更安全和更智能地驾驶。为了处理这些数据，汽车需要具备强大的算力。而驾驶辅助和安全特性越高级，能耗也水涨船高，进而增加了电动车的充电频率和对电网的压力，对环境也会产生不利影响。

数据中心作为数字化基础设施的核心，其能耗问题更为突出。随着云计算和大数据的发展，数据中心的规模不断扩大，对处理能力的要求也不断攀升。芯片作为数据中心的“心脏”，其能耗成本已成为运营商不可忽视的一大负担。

人工智能市场的迅猛发展同样带来了能耗问题。AI算法通常需要大量的计算资源，尤其是在训练复杂的机器学习模型时。以ChatGPT为典型，其所需的计算资源大约每3-4个月就要翻一倍，要处理的参数达到T级别，训练单个深度学习模型GPT3，大约会产生约500吨的二氧化碳排放，相当于普通燃油车行驶一百万英里。

近日，美国能源部（DoE）呼吁将半导体能效提高1000倍。从半导体行业的角度来理解这个问题，就意味着降低芯片的功耗。无论是在数据中心进行AI训练，还是在边缘进行推理，实现每瓦性能的最佳化显然是半导体行业的首要任务。降低能耗除了减少环境影响，还能降低运营成本，最大限度地提高有限功率预算内的性能，并帮助缓解热挑战。

对于数据中心、汽车和AI市场这些有着高算力、高能耗需求的市场，对功耗进行优化是发展的必由之路。从长远来看，唯有实现技术创新与环境可持续性的平衡，才是推动这些领域持续健康发展的关键。

如何塑造未来的SoC低功耗设计？

说到Soc芯片的功耗优化方法，在过去几十年中，其设计方法经历了重大的技术演进。

起初，半导体行业主要依赖于SPICE（Simulation Program with Integrated Circuit Emphasis）这类电路模拟器来评估晶体管层面的功耗。虽然SPICE在处理能力和运算速度方面存在局限，但它却是当时最先进的工具之一。随着技术进步，SPICE逐渐演变为能够进行更高精度的门级功耗分析的工具，从而在模拟和分析电子电路能源消耗方面提供了更高的准确性。

在技术的中期阶段，行业向基于专门电源特性库的更高级门级工具过渡，实现了更高层次的抽象模拟。随后，这种趋势延伸至寄存器传输级（RTL）、系统级方法，甚至扩展到仿真电源分析领域。虽然这种转变在更高抽象层面上提供了更多降低功耗的机会，但可能会牺牲一定的分析精度。而当深入具体设计阶段，如RTL和实现阶段，功耗分析的准确性得到提高，但可能会牺牲设计的灵活性。

现今，为提高复杂芯片设计的准确性，业界越来越关注于RTL和更高层次的抽象。这涉及到为不同的组件，如IP块、处理器核心、硬件加速器等，开发更高级别的模型。仿真技术在这方面扮演着重要角色，它提供了更现实的功耗分析，不再仅依赖于合成数据向量，而是使用实际工作负载进行分析。

当然，对于不同应用领域的芯片，其设计方法和需求可能有所不同。比如AI加速器通常由数千个处理元素（tile）组成的阵列构成，对于十亿门以上的设计，为了降低功耗和漏电，需要高级仿真系统运行数十亿个周期，并迅速提供多个准确的迭代，进行多域硬件和软件功耗验证。

而对于电动汽车这种能耗敏感型的应用，需要全面考虑整个汽车系统的构建，因此，硬件架构的决策成为了设计过程中一个关键环节。在策划整个汽车硬件系统时，工程师需要在不同类型的处理器——如通用CPU架构、专用数字信号处理器（DSP）和硬件加速器——之间做出选择，以便在灵活性、效率和专用化之间找到平衡。此外，内存子系统的设计也不可忽视。为了做出这些关键的设计决策，架构师需要能够访问一个系统，该系统能够以稳健的方式对硬件的功耗、性能和面积（PPA）特性进行建模。这不仅包括硬件的物理属性，还涉及不同用例下的性能表现。