3DCAD中的创成式设计：以参数化建模为基础的AIInside赋能
3DCAD场景下的创成式设计(Generativedesign)主要借助AI的能力生成大量可供选择的模型。根据PTC官网介绍，三维模型场景下的创成式设计主要是通过设计师给定约束条件(包括空间、材料、制造方法、成本约束等)和目标，借助AI的能力来快速生成满足需求的目标模型，供设计师从中选择合适的模型进行进一步设计和优化，从而显著提升设计效率。我们观察到目前3DCAD中的AI应用主要分为两类：
AI辅助参数优化：通常用于3DCAD模型的改进过程，基于CAE仿真结果(如部分零部件应力过大或形变明显)，可以通过对其他部位添加约束，对拟优化零部件生成大量潜在参数并进行选择，最终得到优化的结果。
AI实现草图生成：如Catia和Solidworks的Xdesign模块就引入了AI辅助创建草图功能，通过给定参数和材料得到系统给出的推荐的形状。其一定程度上能够帮助工程师进行底层几何图形，从而加快整体的设计进度。
3DCAD创成式设计基础是参数化建模。实际上参数化建模由来已久，1987年PTC公司发布的Pro/E首次引入了基于历史的参数化建模，至今主流3DCAD产品均有参数化建模功能。无论是AI辅助参数优化还是实现草图生成，其本质上都是基于给定的限制条件生成大量参数，进而基于这些参数生成设计方案供设计师选择。目前主流3DCAD产品如Catia、NX、Pro/E、Solidworks、SolidEdge等均具备AI模块，实现辅助设计功能。
EDA中的AIInside:基于已有设计数据实现设计效率优化
AI赋能有望助力芯片设计实现真正的“自动化”。目前的EDA工具，即使是更加自动化的数字芯片设计流程中仍然需要大量设计师的人工操作场景，我们认为AI带来的自动化程度提升有望减少设计过程中的重复性劳动，进一步解放设计师的生产力。目前AI对EDA设计工具的赋能可以分为AIInside和AIOutside两个层面：AIInside一般指AI赋能相应的设计软件，让设计工具更加智能和高效；与之相对应的则是AIOutside，即为让机器通过学习来积累经验，从而一定程度上能够代替人工成为新的“生产力”。
芯片设计后端(尤其是布局布线)是AIInside在EDA中的主要应用场景。在数字芯片设计流程中，设计后端最重要的布局布线环节涉及逻辑器件的物理形状和摆放方式，工程师需要考虑综合考虑网表图节点、网格粒度、布线密度等多重因素。因此布局布线通常是数据芯片设计中的高耗时环节，通过AI的图像识别和优化算法有望实现设计效率的显著提升。目前海外Cadence、Synopsys等EDA头部厂商均具备AIInside赋能芯片设计的能力：
Cadence:2020年3月Cadence发布了更新版数字全流程工具，通过iSpatial技术整合布局布线工具Innovus和前端的物理验证Genus工具实现打通，并集成机器学习技术，用户可用现有设计数据对iSpatial进行训练，实现布局布线流程中设计裕度的最小化。
Synopsys:2020年Synopsys发布用于EDA的AI应用程序DSO.ai.根据公司官网介绍，设计空间优化(DSO)借助机器学习算法搜索大型设计空间，可用于优化芯片设计工作流程的输入参数和选择，以满足特定项目的确切需求[1]，我们认为其本质上类似3DCAD模型设计中的参数优化功能。
展望未来，AIOutside有望在更高层面实现真正的“芯片设计自动化”。与AIInside赋能EDA工具的理念不同，AIOutside则更加关注工具使用者的维度，指EDA工具通过学习人类的设计模式并积累设计经验，最终达到减少人工干预和释放生产力的效果。目前Synopsys和Cadence在AIOutside助力实现设计自动化上均有所探索，我们认为现阶段实现AIOutside面临的主要阻力在于数据获取成本。AIOutside训练过程对芯片数据可靠性要求较高，而芯片设计公司的数据较难获取，我们认为EDA公司依靠和晶圆厂的绑定关系或有望通过工艺数据实现训练，逐步向AIOutside目标迈进。
创成式设计与GPT大模型的融合：从文字到模型的潜在路径
创成式设计和GPT大模型的融合畅想：文字描述参数化。我们认为GPT等大模型在3D模型设计方面仍然有较大的应用空间。未来的潜在的方向可能是借助ChatGPT的文字处理能力来理解设计师的文字需求，即为将文字描述理解和转化为一系列的模型参数，通过3DCAD创成式设计得到相应的模型设计方案。
创成式设计是当前已经存在的技术储备。目前3D模型的创成式设计已经能够实现参数优化和草图的生成，我们认为随着技术逐步完善，从给定参数到3D模型生成这一步骤或许不是从文本到模型的瓶颈。
文字到参数的转化是文生模型过程中的最大难点。目前的Transformer模型更加擅长场景是自然语言处理，我们认为将文本转化为设计师需要的参数是较大的难点，打通文本描述到参数描述的瓶颈有望为文本到模型的实现铺平道路。2021年Deepmind论文论述了图形和序列打通的可能性，借助Transformer模型自然语言处理能力实现CAD草图生成。
图表：DeepMind论文中构建了图形和序列的映射
资料来源：《Computer-AidedDesignasLanguage，Ganin等(2021)》，中金公司研究部
DeepMind借助Transformer模型自然语言处理能力实现草图绘制。草图设计是构成3D模型的骨架，其通过特定的约束来定义了实体如何在参数变换下保持原有的形状。DeepMind在2021年发表论文，论述了CAD草图绘制和自然语言建模的相似性，提出了能够自动生成CAD草图的机器学习模型，在无条件合成以及图像到草图的转换任务中表现良好。论文的亮点在于实现了图案和序列的对应，从而能够应用Transformer大模型实现对序列的处理。我们认为随着Transformer大模型应用逐渐深入，其与CAD融合应用或将持续推进，未来或将诞生基于文本实现更高级别模型生成的应用。
风险
技术进展不及预期：人工智能作为前沿新兴技术，仍处于技术的快速发展期，其进展有一定的不确定性，若技术进展不及预期，可能导致产业化进展缓慢。
商业化落地节奏不及预期：商业化落地是人工智能能否顺利走向下一阶段的关键点，若商业化落地节奏不及预期，对人工智能的进展将带来负面影响。
行业竞争加剧：人工智能是产业的热点，未来商业价值显著，科技巨头、初创公司均在此领域布局，未来垂类及应用层的行业竞争可能会进一步加剧。
（文章来源：时报·e公司）
