芯片廠商正開始采用 AI 來管理從各類 “監測面板” 中采集的數據。這些面板大多已嵌入芯片與系統內部，用于監控從溫度梯度、電壓驟降等一切運行狀態。

這些監測面板通常由 CPU、MCU 等處理器控制，多數情況下對用戶不可見，但對追蹤不同功能模塊、傳感器與 I/O 產生的底層數據變化至關重要。它們可按需觸發告警，并在毫秒級內完成自動調節。例如：某個處理器核溫度過高時，可將數據遷移到其他處理單元以平衡負載、降低發熱；若 HBM 的某條數據通道因電遷移出現阻塞或速率過低，信號可自動切換到其他通道。

在過去，這些功能都是獨立管理的，彼此隔離，采集的數據格式往往互不兼容。而借助 AI，不同類型的數據可以融合分析，定位設備內部任意位置的潛在問題，讓系統能夠深度追溯某個區域溫度驟升、某臺服務器性能下降的根本原因。配合 AI 智能體，這一切都可以自主完成。

這對于預防由發熱與功耗引發的問題效果顯著，而這兩者正是先進工藝設計中最棘手的挑戰。

Mo Faisal（Movellus CEO）：“電源管理的根本問題是可視性。監測必須足夠快、粒度足夠細，才能看清整個供電網絡。一旦掌握真實狀態，就可以分析并決定后續如何處理。”

關鍵在于運行中快速定位問題根源，如溫度突升、性能下降等。

“溫度梯度、IR 壓降、L (di/dt) 噪聲事件（即電壓驟降）都至關重要。L (di/dt) 直接決定設計余量與最低工作電壓。你需要與負載強相關的可視性，普通全局監測沒有意義。你需要知道事件何時發生、當時系統在做什么，然后才能采取行動優化負載 —— 調節時鐘、電壓，或控制指令速率。在此之前，你必須先看清發生了什么。”

AI 大幅簡化了這一切

William Wang（ChipAgents CEO）：“業內早就想做到這一點。EDA 廠商過去會上門為客戶定制軟件與面板，比如專門為工廠連接所有生產機臺與測試設備的數據。但這對芯片全生命周期管理（SLM）并不適用，因為系統非常脆弱，工藝一變面板就失效。這種模式收入有限、高度人工、耗時且難以通用。”

AI 智能體從根本上改變了這一模式，通過提升抽象層級來理解數據。

“我們現在有管理 AI 智能體的面板。例如在調試時，一個面板可同時監控五個智能體：有的分析日志，有的查看波形，共同定位問題。我可以在 10 個不同項目中激活這些智能體聚合數據，再查看結果。在企業層面，團隊如何協作、如何聚合數據？答案依然是面板，但現在它是用來管理 AI 智能體的面板，由智能體從多源聚合數據。”

Frank Schirrmeister（新思科技）：“AI 讓過去因復雜度極高而難以推進的工作（如形式驗證中屬性學習）變得不再困難。這些面板本質上是硬件調試工具，過去靠人工查看波形，現在由一個或一組智能體協助，更快定位根本原因。”

系統級數據

領先芯片廠商已全面接受這一思路。

Hardik Kabaria（Vinci CEO）：“英偉達在打造的是 AI 基礎設施，而非單純芯片。基礎設施意味著持續可用、隨處可及。數據爆炸式增長，需要通過面板來理解。但芯片、系統、數據中心都受物理定律約束。我們需要讓整個生態都能理解傳熱、能量平衡、動量平衡如何影響系統：是否會產生熱點？熱點是否影響內存？是否影響共封裝光學？當高分辨率、量產級數據足夠豐富時，就可以用面板來解讀。”

隨著設計流程不斷向左（提前）、向右（后置）延伸，這類面板變得格外重要。這本質上是并發式系統級設計，統一入口獲取信息讓分析與協同設計更簡單。

Rob Knoth（楷登電子）：“過去芯片團隊中，每個模塊負責人都要向上匯報數據，但各自用不同面板、不同指標。當層級向上匯總時，報告必須合并。你可能在對同一個模塊做形式驗證、溫度與功耗測量、DRC 收斂，但數據是否來自同一版 RTL？過去這些數據互不關聯，難以解讀。于是各公司自己寫腳本、做數據挖掘，有人試圖打造‘終極大一統面板’。”

如今工程師寄望于 AI 簡化這一切。

“我們正從單純芯片設計轉向多物理場與真正的系統設計。往上堆疊時不能忽略任何物理效應。設計現代 3.5D 芯片時，必須考慮熱應力、翹曲、凸點機械問題。因此，面板必須信息極豐富、易訪問，并整合多款工具。”

Jean-Marie Brunet（西門子 EDA）：“在驗證領域，我們的面板更多結合智能體 AI，可以追蹤 KPI 的演變，例如性能、功耗指標。智能體 AI 正在加速這一過程。”

Ankur Gupta（西門子 EDA）：“智能體 AI 包含規劃、執行、評估三個階段，評估階段全部是面板數據。從 RTL 到 GDS 的流程，每家芯片公司都有對應的面板。AI 能提供一致視圖，只要數據對 AI 可用即可。”

“數據不必完全相同，但必須是結構化數據。我們需要本體論（ontology）來定義每個階段的輸入輸出，例如時序、功耗。挑戰在于如何在多款工具間保持統一。如果一個工具給總功耗，一個給功耗拆解，一個不報時鐘功耗，面板就失效了。”

AI 驅動的監測面板

監測面板的概念由來已久，最初源于汽車儀表盤。如今，傳感器依舊是模擬與數字混合，但分析已全面數字化。

在汽車中，AI 可整合過去孤立的各傳感器數據，識別問題區域，并快速處理安全關鍵型問題。這要求數據可訪問、結構化、有優先級。

Oscar Camacho（英飛凌）：“這些數據需要更大存儲，因此我們采用 FRAM 等存儲器，支持邊緣多次讀寫。數據需要在計算機與終端節點間高速傳輸，由中央計算機實時處理。我們的處理器也在提升算力，增加并行單元，讓部分機器學習算法直接在功能模塊上運行。”

真正的變化不在于數據量持續暴漲，而在于數據能用來做什么。

“AI 可以預測駕駛員行為、根據電池衰減預測保養需求，讓數據支撐更智能的決策。”

將所有數據整合到面板中更易于理解。這與數字孿生理念相似，但AI 智能體可提供更輕量、更細粒度的實現，具體應用取決于成本、數據量與關鍵程度。

AI 驅動的面板在邊緣側與數據中心尤其重要：邊緣功耗受限，數據中心采用先進工藝的多芯粒系統對發熱、噪聲、老化余量極小，需要更精細的監控。

Movellus 的 Faisal：“電遷移無法直接測量，只會以各種形式表現出來，但必須能監測并采取行動。尤其是在 2nm 等超大芯片上，硬件監測電路將至關重要，否則無法實現有效的電源管理。”

結論

監測面板已是非常普及的概念，但其提供的信息與使用方式正在發生巨變。重點不再是數據量大小，而是從中提取可執行的有效信息。需要挖掘、篩選、訪問的數據越多，面板就越重要。

Vinci 的 Kabaria：“客戶不是在跑一次物理仿真，而是在跑 50 萬次，并要求我們提供面板來指導整個工程團隊，把精力放在正確的工作上。”

這已經超出人類處理能力。

新思科技的 Schirrmeister：“人類無法同時掌握 28 個不同維度的監測面板。AI 能夠理解數據，幫助找到因果關系與相關性。這在過去機器學習與大數據時代也能做到，但 AI 讓它變得極度易用，就像 AI 突然讓形式驗證變得簡單易用一樣。”

簡而言之：未來的監測面板將更精準、更可定制、更易理解，并將深刻影響芯片設計、制造與使用的全流程。