人工智能正從工作流程、崗位設(shè)置和獨(dú)特的數(shù)據(jù)管理挑戰(zhàn)等方面，深刻影響著半導(dǎo)體設(shè)計(jì)領(lǐng)域。

核心要點(diǎn)

1. 將人工智能融入芯片設(shè)計(jì)流程，正推動(dòng)企業(yè)全面革新數(shù)據(jù)管理策略，實(shí)現(xiàn)從被動(dòng)存儲(chǔ)向主動(dòng)、結(jié)構(gòu)化、機(jī)器可讀取系統(tǒng)的轉(zhuǎn)型。

2. 隨著模型訓(xùn)練與推理工作負(fù)載持續(xù)增加，數(shù)據(jù)遷移、網(wǎng)絡(luò)擁塞和能效問(wèn)題已成為核心挑戰(zhàn)，其重要性往往超越了原始算力本身。

3. 電子設(shè)計(jì)自動(dòng)化（EDA）領(lǐng)域?qū)偾覐?fù)雜的數(shù)據(jù)格式，加之公開(kāi)數(shù)據(jù)資源有限，導(dǎo)致針對(duì)半導(dǎo)體設(shè)計(jì)的人工智能模型微調(diào)難度極大，在檢索增強(qiáng)生成（RAG）和模型微調(diào)場(chǎng)景中，需依托大量的數(shù)據(jù)解析工作和專業(yè)領(lǐng)域知識(shí)，才能實(shí)現(xiàn)數(shù)據(jù)的有效利用。

4. 人工智能正迫使半導(dǎo)體企業(yè)從根本上重新思考數(shù)據(jù)管理模式，將其從一項(xiàng)被動(dòng)的存儲(chǔ)工作，轉(zhuǎn)變?yōu)橐婚T(mén)主動(dòng)的工程學(xué)科。

工程團(tuán)隊(duì)首先必須將分散的日志文件和設(shè)計(jì)成果整合至機(jī)器可讀取的數(shù)據(jù)湖，通過(guò)元數(shù)據(jù)和本體論為其補(bǔ)充信息，并在各類(lèi)工具間搭建穩(wěn)定的數(shù)據(jù)流管道。為實(shí)現(xiàn)這一目標(biāo)，團(tuán)隊(duì)會(huì)借助智能輔助工具、檢索增強(qiáng)生成技術(shù)和微調(diào)模型，而所有操作都需在嚴(yán)格的安全規(guī)范和本地部署的約束下完成。隨著數(shù)據(jù)量的持續(xù)增長(zhǎng)，企業(yè)不僅需要增設(shè)電子設(shè)計(jì)自動(dòng)化數(shù)據(jù)管理員這一新崗位，還需對(duì)數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)質(zhì)量進(jìn)行持續(xù)投入。

無(wú)論工程團(tuán)隊(duì)采用檢索增強(qiáng)生成技術(shù)、訓(xùn)練模型還是對(duì)數(shù)據(jù)進(jìn)行微調(diào)，若數(shù)據(jù)僅處于閑置狀態(tài)，便毫無(wú)實(shí)際價(jià)值。企業(yè)需要從不同的服務(wù)器集群、設(shè)計(jì)工具和項(xiàng)目中收集歷史及現(xiàn)有數(shù)據(jù)，再按項(xiàng)目、流程階段和團(tuán)隊(duì)歸屬完成數(shù)據(jù)的清洗與整理。此外，還需對(duì)代碼、文本、圖像、時(shí)間序列和二進(jìn)制等各類(lèi)格式的數(shù)據(jù)進(jìn)行解析與分塊處理。

這一系列需求推動(dòng)團(tuán)隊(duì)采用中心化數(shù)據(jù)湖和向量化數(shù)據(jù)庫(kù)，取代臨時(shí)的文件共享方式，數(shù)據(jù)管理的核心也逐漸轉(zhuǎn)向機(jī)器可讀取性和數(shù)據(jù)檢索效率。這也解釋了為何如今人工智能設(shè)計(jì)領(lǐng)域的數(shù)管工作熱度飆升 —— 而就在一年前，行業(yè)的關(guān)注重點(diǎn)還停留在可利用的人工智能工具類(lèi)型上。

是德科技電子設(shè)計(jì)自動(dòng)化事業(yè)部知識(shí)產(chǎn)權(quán)與數(shù)據(jù)管理業(yè)務(wù)總經(jīng)理西蒙?蘭斯表示：“彼時(shí)企業(yè)們提出的問(wèn)題是，‘為了融入并利用人工智能，我們需要在方法論或設(shè)計(jì)流程上做出哪些調(diào)整？’他們也在思考如何訓(xùn)練人工智能模型。如今我看到，企業(yè)們已經(jīng)從單純的思考轉(zhuǎn)向?qū)嶋H落地，過(guò)程中卻遭遇了諸多挑戰(zhàn)：數(shù)據(jù)安全如何保障？算力是否充足？人工智能計(jì)算的能耗難題該如何解決？人們?nèi)缃褚查_(kāi)始逐漸了解人工智能幻覺(jué)現(xiàn)象及其成因，希望找到緩解或減少該問(wèn)題的方法。當(dāng)下行業(yè)的關(guān)注重點(diǎn)大量集中在數(shù)據(jù)安全上，相較于研發(fā)語(yǔ)言模型或研究模型訓(xùn)練方法，數(shù)據(jù)編排的優(yōu)先級(jí)已大幅提升。很多企業(yè)曾想一步到位，但如果基礎(chǔ)工作做不好，后續(xù)處處都會(huì)碰壁 —— 如今不少企業(yè)正陷入這樣的困境，某種程度上甚至陷入了停滯。這并非單一問(wèn)題，而是會(huì)引發(fā)一系列連鎖反應(yīng)。”

業(yè)內(nèi)其他人士也持相同觀點(diǎn)。西門(mén)子電子設(shè)計(jì)自動(dòng)化事業(yè)部生成式人工智能產(chǎn)品群經(jīng)理尼蘭詹?西塔普雷稱：“分析人工智能設(shè)計(jì)對(duì)數(shù)據(jù)管理的影響，主要需區(qū)分兩個(gè)維度：一是訓(xùn)練新的人工智能模型、大語(yǔ)言模型或微調(diào)現(xiàn)有模型，這是第一類(lèi)場(chǎng)景；二是采用檢索增強(qiáng)生成技術(shù)，這類(lèi)場(chǎng)景無(wú)需訓(xùn)練或微調(diào)模型，卻仍能利用企業(yè)已有數(shù)據(jù)。而對(duì)半導(dǎo)體設(shè)計(jì)而言，還有尤為重要的第三個(gè)維度 —— 前兩類(lèi)場(chǎng)景中普遍存在的數(shù)據(jù)格式問(wèn)題。通常來(lái)說(shuō)，ChatGPT-5、谷歌雙子星等大語(yǔ)言模型在文本處理、代碼編寫(xiě)和圖像生成等多模態(tài)任務(wù)上表現(xiàn)出色，這是因?yàn)樗鼈兓诨ヂ?lián)網(wǎng)海量的同類(lèi)格式知識(shí)完成了訓(xùn)練。但在電子設(shè)計(jì)自動(dòng)化領(lǐng)域，盡管也涉及代碼、文本和部分圖像，情況卻截然不同：我們的代碼具有高度專有性，還存在 SPRF 這類(lèi)專屬語(yǔ)言，部分電子設(shè)計(jì)自動(dòng)化工具甚至有自己的語(yǔ)法規(guī)則，且這些內(nèi)容均未公開(kāi)，即便是 GPT-5 或最新的模型，也無(wú)法掌握這類(lèi)信息，這成為一大難題。此外，部分電子設(shè)計(jì)自動(dòng)化數(shù)據(jù)的格式并非機(jī)器可讀取，即便包含圖像和表格，也絕非汽車(chē)、自然風(fēng)光這類(lèi)普通圖像，而是極為復(fù)雜的電路圖。無(wú)論是原理圖還是可視化電路圖，當(dāng)前的人工智能模型都難以準(zhǔn)確理解其中的設(shè)計(jì)邏輯。”

這一現(xiàn)狀直接影響到模型微調(diào)和檢索增強(qiáng)生成這兩大核心場(chǎng)景。

西塔普雷指出：“在模型微調(diào)方面，現(xiàn)有模型缺乏電子設(shè)計(jì)自動(dòng)化相關(guān)數(shù)據(jù)支撐，因此它們或許能出色編寫(xiě) Python 代碼、解答光刻技術(shù)的通用問(wèn)題，卻無(wú)法深入理解電路的底層設(shè)計(jì)邏輯。另一大問(wèn)題是，模型微調(diào)需要海量數(shù)據(jù)，而大量芯片設(shè)計(jì)數(shù)據(jù)并不掌握在電子設(shè)計(jì)自動(dòng)化廠商手中，而是由客戶持有，晶圓代工廠也不會(huì)將這類(lèi)數(shù)據(jù)公開(kāi)。這就形成了一個(gè)尷尬的局面：若要對(duì)當(dāng)前最先進(jìn)的模型進(jìn)行微調(diào)，企業(yè)既要解決電子設(shè)計(jì)自動(dòng)化文件格式帶來(lái)的數(shù)據(jù)解析難題，又要面對(duì)公開(kāi)數(shù)據(jù)資源不足的問(wèn)題。而在檢索增強(qiáng)生成場(chǎng)景中，舉個(gè)例子，當(dāng)你使用 GPT-5 時(shí)，若在一款設(shè)計(jì)規(guī)則檢查工具中打開(kāi)了某個(gè)設(shè)計(jì)方案，想要弄清設(shè)計(jì)中的問(wèn)題，或是通過(guò)日志文件排查錯(cuò)誤，這類(lèi)場(chǎng)景下的數(shù)管工作，相較于前兩者會(huì)更易操作、流程也更簡(jiǎn)潔。”

工程團(tuán)隊(duì)主要通過(guò)兩種方式應(yīng)對(duì)上述問(wèn)題。西塔普雷解釋道：“第一種是為全量數(shù)據(jù)配備智能輔助工具，實(shí)現(xiàn)與檢索增強(qiáng)生成技術(shù)的結(jié)合。企業(yè)會(huì)提出需求：‘請(qǐng)為我們提供人工智能模型，以及配套的基礎(chǔ)設(shè)施，包括檢索增強(qiáng)生成數(shù)據(jù)流管道、便捷的圖形用戶界面，讓我們能夠便捷地進(jìn)行問(wèn)題查詢等操作。’本質(zhì)上，這就是電子設(shè)計(jì)自動(dòng)化領(lǐng)域的 ChatGPT。”

他還提到，部分企業(yè)希望擁有自研的微調(diào)人工智能模型，因此會(huì)尋求相關(guān)技術(shù)支持：“這些企業(yè)會(huì)說(shuō)，‘我們的數(shù)據(jù)分布在各個(gè)節(jié)點(diǎn)，能否協(xié)助我們搭建微調(diào)或訓(xùn)練管道，實(shí)現(xiàn)對(duì)不同設(shè)計(jì)方案的 SPICE 仿真？如此一來(lái)，每次完成仿真后，我們就能通過(guò)日志文件或仿真文件獲取耗時(shí)、網(wǎng)表規(guī)模、錯(cuò)誤類(lèi)型等信息，再搭建一個(gè)能理解這些數(shù)據(jù)的本地人工智能 / 機(jī)器學(xué)習(xí)模型。’針對(duì)這類(lèi)客戶的特定設(shè)計(jì)需求，該模型可實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)：例如運(yùn)行某一網(wǎng)表將耗時(shí)多久、占用多少內(nèi)存，或是基于現(xiàn)有數(shù)據(jù)預(yù)估設(shè)計(jì)的功耗、性能、面積（PPA）指標(biāo)。”

目前，電子設(shè)計(jì)自動(dòng)化工具廠商已向用戶開(kāi)放了相關(guān)技術(shù)。用戶會(huì)先搭建自有數(shù)據(jù)湖，將標(biāo)準(zhǔn)操作流程、操作手冊(cè)、設(shè)計(jì)方案等各類(lèi)信息盡可能地進(jìn)行中心化整合，并處理為機(jī)器可讀取格式；隨后可提出需求，將這些數(shù)據(jù)遷移至電子設(shè)計(jì)自動(dòng)化廠商的人工智能服務(wù)基礎(chǔ)設(shè)施中。整個(gè)過(guò)程中，數(shù)據(jù)始終保持本地部署且完全物理隔離，在保障數(shù)據(jù)安全的同時(shí)，也能精準(zhǔn)匹配用戶的實(shí)際業(yè)務(wù)需求。

換言之，人工智能芯片與系統(tǒng)設(shè)計(jì)正推動(dòng)數(shù)據(jù)管理實(shí)現(xiàn)轉(zhuǎn)型：從孤立的、基于文件的結(jié)果存儲(chǔ)，升級(jí)為云原生的大數(shù)據(jù)基礎(chǔ)設(shè)施。這一新型基礎(chǔ)設(shè)施可承載跨物理場(chǎng)的只讀存儲(chǔ)器（ROM）和大型物理模型，減少高成本的數(shù)據(jù)遷移操作，并最終將設(shè)計(jì)階段和運(yùn)行階段的數(shù)據(jù)整合至統(tǒng)一的、可擴(kuò)展的系統(tǒng)中。

已有企業(yè)將大數(shù)據(jù)技術(shù)應(yīng)用于芯片設(shè)計(jì)，搭建了專屬的數(shù)據(jù)基礎(chǔ)設(shè)施。2015 年被安世科收購(gòu)、如今成為新思科技旗下 Seascape 數(shù)據(jù)庫(kù)的吉爾設(shè)計(jì)解決方案公司，就是其中的代表。新思科技產(chǎn)品營(yíng)銷(xiāo)總監(jiān)馬克?斯溫寧表示：“我們對(duì)多款工具進(jìn)行了重寫(xiě)，使其能基于 Seascape 基礎(chǔ)設(shè)施運(yùn)行；借助 MapReduce 等大數(shù)據(jù)技術(shù)，部分工具已實(shí)現(xiàn)原生云部署。在電子設(shè)計(jì)自動(dòng)化領(lǐng)域，傳統(tǒng)模式是先開(kāi)發(fā)數(shù)據(jù)庫(kù)或工具，再思考‘如何將其部署至云端’，而吉爾設(shè)計(jì)解決方案公司創(chuàng)始人約翰?李則反其道而行之 —— 秉持云原生優(yōu)先的理念，再讓算法適配云端環(huán)境。例如，你可以讓一款工具定位電壓降位置，讓另一款工具獲取電流數(shù)據(jù)，再要求兩款工具完成數(shù)據(jù)疊加。當(dāng)兩款工具均基于 Seascape 運(yùn)行時(shí)，就能通過(guò) MapReduce 方法完成數(shù)據(jù)排序、關(guān)聯(lián)與疊加，實(shí)現(xiàn)傳統(tǒng)系統(tǒng)無(wú)法做到的海量數(shù)據(jù)融合與聯(lián)合分析。”

工程數(shù)據(jù)具備極高價(jià)值，但直至近期，其管理仍面臨高風(fēng)險(xiǎn)、低規(guī)范的問(wèn)題。芯片智能體公司首席執(zhí)行官威廉?王表示：“寄存器傳輸級(jí)代碼（RTL）、設(shè)計(jì)規(guī)格、波形圖、日志文件和工程變更指令（ECO）歷史記錄等數(shù)據(jù)，具有高度的敏感性，且分布零散、難以審計(jì)。當(dāng)前的行業(yè)瓶頸并非模型質(zhì)量，而是數(shù)據(jù)質(zhì)量 —— 無(wú)論模型規(guī)模多大，錯(cuò)誤的上下文信息都會(huì)導(dǎo)致智能體輸出無(wú)效結(jié)果。這意味著，數(shù)據(jù)的安全性和溯源性比規(guī)模更重要。用戶關(guān)注的并非大數(shù)據(jù)本身，而是數(shù)據(jù)的來(lái)源、訪問(wèn)權(quán)限和處理模型。”

為解決數(shù)據(jù)質(zhì)量、安全和溯源問(wèn)題，威廉?王指出，嵌入工作流程的數(shù)管治理模式已落地并取得良好效果 —— 數(shù)據(jù)管理必須融入工程工作流程，而非獨(dú)立于外部平臺(tái)。“鑒于設(shè)計(jì)規(guī)格、寄存器傳輸級(jí)模塊、波形圖等每一項(xiàng)設(shè)計(jì)成果都需要明確歸屬、溯源路徑和訪問(wèn)權(quán)限，數(shù)據(jù)的溯源性和訪問(wèn)控制必須成為默認(rèn)配置。如今也可通過(guò)智能體實(shí)現(xiàn)數(shù)據(jù)的中介訪問(wèn)，由智能體自動(dòng)執(zhí)行訪問(wèn)權(quán)限管控，明確不同主體的查看范圍和安全使用邊界。”

這一切的實(shí)現(xiàn)，都依賴于對(duì)數(shù)據(jù)進(jìn)行有效組織的能力，而隨著數(shù)據(jù)量的持續(xù)增長(zhǎng)，這一工作的難度也不斷加大。弗勞恩霍夫應(yīng)用固體物理研究所 / 電子與系統(tǒng)工程研究所研究員馬丁?諾伊曼 - 基平表示：“如今談及人工智能，我們必須摒棄‘單靠大數(shù)據(jù)就能解決問(wèn)題’的觀念，大數(shù)據(jù)的熱潮已開(kāi)始消退，單純收集海量數(shù)據(jù)不再是制勝法寶。我們真正需要的是可解析數(shù)據(jù)—— 即描述清晰、關(guān)聯(lián)緊密、置于正確上下文環(huán)境中的數(shù)據(jù)。多數(shù)企業(yè)的問(wèn)題并非數(shù)據(jù)不足，而是數(shù)據(jù)被孤立在各個(gè)‘信息孤島’中：質(zhì)量數(shù)據(jù)僅質(zhì)量保證團(tuán)隊(duì)可見(jiàn)，生產(chǎn)數(shù)據(jù)僅生產(chǎn)部門(mén)可接觸，文檔資料僅工程團(tuán)隊(duì)能訪問(wèn)，諸如此類(lèi)。這些孤島數(shù)據(jù)本身具備價(jià)值，但真正的潛力在于將其關(guān)聯(lián)整合，從整體視角看待生產(chǎn)系統(tǒng) —— 唯有如此，才能搭建起真正的企業(yè)系統(tǒng)知識(shí)庫(kù)。”

對(duì)于生成式人工智能在內(nèi)的優(yōu)質(zhì)人工智能解決方案而言，僅僅 “擁有數(shù)據(jù)” 遠(yuǎn)遠(yuǎn)不夠。諾伊曼 - 基平稱：“必須精準(zhǔn)掌握數(shù)據(jù)的實(shí)際含義，為數(shù)據(jù)添加語(yǔ)義描述、構(gòu)建本體論體系，并建立統(tǒng)一的數(shù)據(jù)語(yǔ)言。這也是我們研究知識(shí)圖譜、在現(xiàn)有系統(tǒng)之上搭建智能數(shù)據(jù)層的原因。企業(yè)當(dāng)前的數(shù)據(jù)管理系統(tǒng)可作為良好基礎(chǔ)，但需要通過(guò)語(yǔ)義層實(shí)現(xiàn)跨數(shù)據(jù)源的信息關(guān)聯(lián)。一旦完成這一搭建，就能在其基礎(chǔ)上開(kāi)發(fā)更強(qiáng)大的人工智能應(yīng)用，包括智能體系統(tǒng)。因此，人工智能時(shí)代的數(shù)管工作并非一個(gè)獨(dú)立議題，而是發(fā)展人工智能的先決條件。若不在數(shù)據(jù)的描述、結(jié)構(gòu)化和關(guān)聯(lián)整合上投入精力，企業(yè)的人工智能應(yīng)用將始終局限于狹隘的、局部的優(yōu)化；而若將數(shù)據(jù)視為全系統(tǒng)數(shù)字孿生的一部分，就能實(shí)現(xiàn)對(duì)整個(gè)業(yè)務(wù)流程的優(yōu)化，而非僅針對(duì)單個(gè)環(huán)節(jié)。這正是我眼中人工智能在工業(yè)領(lǐng)域的真正長(zhǎng)期價(jià)值所在。”

崗位新需求：電子設(shè)計(jì)自動(dòng)化數(shù)據(jù)管理員

幾年前，英偉達(dá)首席執(zhí)行官黃仁勛曾預(yù)言，未來(lái)工程師將成為人工智能智能體的管理者。與此相契合，電子設(shè)計(jì)自動(dòng)化數(shù)據(jù)管理員這一崗位的需求正持續(xù)增長(zhǎng)，其核心職責(zé)是確保數(shù)據(jù)格式標(biāo)準(zhǔn)化、搭配規(guī)范的元數(shù)據(jù)、存儲(chǔ)于指定目錄、配置合理的訪問(wèn)權(quán)限等。

西門(mén)子的西塔普雷表示：“我們需要為特定項(xiàng)目匹配精準(zhǔn)的數(shù)據(jù)，搭配規(guī)范的元數(shù)據(jù)和合理的訪問(wèn)控制，建立清晰的信息關(guān)聯(lián)，以及基于本體論的知識(shí)圖譜以明確數(shù)據(jù)溯源。這一崗位的重要性與日俱增，盡管它處于設(shè)計(jì)流程的后端，看似并非核心崗位，實(shí)則是奠定行業(yè)發(fā)展基礎(chǔ)的關(guān)鍵崗位。企業(yè)需要專人負(fù)責(zé)這項(xiàng)工作，并進(jìn)行大量投入。從企業(yè)級(jí)人工智能的視角來(lái)看 —— 不僅是電子設(shè)計(jì)自動(dòng)化領(lǐng)域，而是全行業(yè) —— 都需要持續(xù)加大對(duì)數(shù)據(jù)管理結(jié)構(gòu)化的投入，因?yàn)槿艉鲆曔@一點(diǎn)，最終只會(huì)陷入‘垃圾進(jìn)，垃圾出’的困境。”

企業(yè)的數(shù)據(jù)往往高度分散，規(guī)模較大的企業(yè)或有并購(gòu)、被并購(gòu)經(jīng)歷的企業(yè)，這一問(wèn)題更為突出。是德科技的蘭斯稱：“這些企業(yè)的數(shù)據(jù)分散在各類(lèi)數(shù)據(jù)管理系統(tǒng)中，部分團(tuán)隊(duì)甚至未使用專業(yè)數(shù)管系統(tǒng)，而是借助康 fluence、SharePoint 文件服務(wù)器等工具，導(dǎo)致數(shù)據(jù)缺乏索引、編目和版本控制。企業(yè)內(nèi)部其他部門(mén)則可能使用完全不同的系統(tǒng)，數(shù)據(jù)存儲(chǔ)在另一處。當(dāng)企業(yè)內(nèi)遍布這些孤立的數(shù)據(jù)碎片時(shí)，問(wèn)題便接踵而至：若繼續(xù)放任數(shù)據(jù)分散，人工智能應(yīng)用將面臨延遲問(wèn)題，數(shù)據(jù)也可能出現(xiàn)重復(fù)存儲(chǔ)的情況。而數(shù)據(jù)質(zhì)量、存儲(chǔ)位置、可訪問(wèn)性，以及快速獲取、讀取、利用、編排數(shù)據(jù)并推進(jìn)后續(xù)任務(wù)的算力和系統(tǒng)能力，都會(huì)引發(fā)人工智能幻覺(jué)現(xiàn)象，這一系列問(wèn)題還會(huì)產(chǎn)生連鎖反應(yīng)。事實(shí)上，數(shù)據(jù)查找困難和數(shù)據(jù)質(zhì)量低下，是諸多問(wèn)題的根源。過(guò)去，企業(yè)常說(shuō)：‘我們知道各處都有數(shù)據(jù)，卻沒(méi)有數(shù)據(jù)工程師來(lái)做數(shù)據(jù)整理工作。’這是最大的挑戰(zhàn) —— 彼時(shí)行業(yè)內(nèi)甚至沒(méi)有對(duì)應(yīng)的崗位設(shè)置。而如今，企業(yè)不僅需要增設(shè)相關(guān)崗位，還需組建數(shù)據(jù)治理團(tuán)隊(duì)，負(fù)責(zé)制定數(shù)據(jù)結(jié)構(gòu)化方案、明確數(shù)據(jù)存儲(chǔ)位置、確立數(shù)據(jù)的單一可信來(lái)源、搭建數(shù)據(jù)訪問(wèn)和加密的安全體系，防止數(shù)據(jù)泄露，同時(shí)明確數(shù)據(jù)的運(yùn)行硬件環(huán)境。”

過(guò)去，大量數(shù)據(jù)管理工作和數(shù)據(jù)系統(tǒng)都運(yùn)行在通用服務(wù)器或工作站上。但要真正發(fā)揮模型訓(xùn)練、推理和工作流編排的價(jià)值，數(shù)據(jù)必須部署在高性能計(jì)算機(jī)上，才能實(shí)現(xiàn)數(shù)據(jù)的快速訪問(wèn)、處理和回寫(xiě)，并及時(shí)獲取運(yùn)算結(jié)果。蘭斯表示：“底層還存在信息技術(shù)和基礎(chǔ)設(shè)施的問(wèn)題，而這些問(wèn)題在過(guò)去并未凸顯。如今，隨著行業(yè)高度關(guān)注模型的研發(fā)與管理，企業(yè)才意識(shí)到，他們甚至無(wú)法推進(jìn)后續(xù)工作 —— 因?yàn)楸仨毾韧瓿蓴?shù)據(jù)整理，優(yōu)化數(shù)據(jù)存儲(chǔ)、算力資源和數(shù)據(jù)安全體系。即便打好了這些基礎(chǔ)，企業(yè)還將面臨確立數(shù)據(jù)單一可信來(lái)源的新挑戰(zhàn)。此外，如何為設(shè)計(jì)流程中從未有過(guò)的數(shù)據(jù)類(lèi)型進(jìn)行補(bǔ)充，也是一大難題。過(guò)去，設(shè)計(jì)流程中僅有測(cè)試數(shù)據(jù)、設(shè)計(jì)數(shù)據(jù)、驗(yàn)證數(shù)據(jù)、文檔和規(guī)格說(shuō)明，從未留存模型文件和測(cè)試結(jié)果，這些數(shù)據(jù)通常會(huì)被直接丟棄，仿真運(yùn)行記錄也不例外。但如今，仿真運(yùn)行記錄需要為機(jī)器學(xué)習(xí)提供支撐，這就導(dǎo)致數(shù)據(jù)量進(jìn)一步激增，而企業(yè)現(xiàn)有的信息技術(shù)服務(wù)器，原本并未針對(duì)海量數(shù)據(jù)存儲(chǔ)進(jìn)行配置。”

向新型數(shù)據(jù)管理思維轉(zhuǎn)型，還帶來(lái)了獨(dú)特的組織架構(gòu)挑戰(zhàn)。蘭斯稱：“過(guò)去，我們的合作對(duì)象主要是工程師、架構(gòu)師、計(jì)算機(jī)輔助設(shè)計(jì)團(tuán)隊(duì)和工程管理人員，而如今，信息技術(shù)團(tuán)隊(duì)、計(jì)算機(jī)輔助設(shè)計(jì)團(tuán)隊(duì)、安全工程師和安全專家都成為了核心合作方。我們甚至發(fā)現(xiàn)，面對(duì)大型客戶和大型機(jī)構(gòu)時(shí)，他們還會(huì)讓法務(wù)團(tuán)隊(duì)介入，評(píng)估特定數(shù)據(jù)的風(fēng)險(xiǎn)、制定數(shù)據(jù)分類(lèi)標(biāo)準(zhǔn)，確保受出口管制的信息，不會(huì)在機(jī)器學(xué)習(xí)模型的訓(xùn)練過(guò)程中被利用，尤其是當(dāng)模型需要部署至特定地區(qū)時(shí)。這些工作過(guò)去由不同團(tuán)隊(duì)在后臺(tái)獨(dú)立完成，且并非時(shí)間敏感型任務(wù)，但如今都需要進(jìn)行專業(yè)評(píng)估。參與整體解決方案評(píng)估的人員范圍大幅擴(kuò)大，這無(wú)疑讓工作變得更為復(fù)雜。”