建構晶片設計至系統部署連續體的全流程驗證布局

AI持續推動高效能運算與通訊網路等領域創新，也進一步促使AI基礎設施朝向更大規模發展；根據產業研究機構Gartner預測，全球AI支出將於2026年達2.6兆美元，年增47%，並於2027年增至近3.5兆美元。同時，能源管理與自主系統等技術也持續演進，帶動從晶片、高速互連與網路，到電力及終端應用的測試驗證需求提升。

隨著生成式AI（Generative AI）爆發式成長，數據中心的建置邏輯正經歷30年來最大規模的轉型。電子量測廠商是德科技（Keysight Technologies）舉辦電子量測論壇，在AI基礎設施驗證藍圖中指出，傳統資料中心過往依賴標準化模組與N+1備援容錯的幾何擴充模式已不再適用。在AI時代，系統極致優化（Hyper Optimization）與毫秒必爭的同步傳輸，已成為決定AI算力投資報酬率（ROI）的關鍵核心。

AI高速運算如方程式賽事　分秒必爭容錯空間低

是德科技網路應用與安全事業部副總裁兼總經理Ram Periakaruppan將資料中心演進劃分為三個階段：1990年代的網際網路時代（單一大型機箱）、2010年代的超大規模雲端時代（分散式標準化伺服器），以及當前的AI時代（高度同步的AI網格）。

在傳統雲端架構中，單一節點故障可由備援系統承接，且系統容許較寬鬆的性能公差。然而，AI大模型訓練與推理採用極度同步的分散式運算，任何一個運算節點、封包延遲或光纖鏈路出現瑕疵，都會引發木桶短板效應（Weakest Link Failure），拖慢整個價值數億美元的超大規模集群。

Periakaruppan比喻，傳統資料中心就像量產家用轎車，強調模組化與組件獨立性；而AI資料中心則如同一輛一級方程式（Formula 1）賽車——所有組件必須高度協同設計（Co-designed），且運作公差極小，勝負往往決定於微秒甚至奈秒之間。

打造從設計到部署的連續體

為了解決硬體研發週期縮短與軟硬體協同設計的雙重挑戰，是德科技提出設計至部署連續體（Design to Deployment Continuum）戰略。該架構奠基於四大核心原則：

• 系統級思考（System Thinking）：打破單一元件視野，在設計初步即導入集群級驗證。
• 工作負載導向（Workload Centricity）：針對真實AI場景（如法律的大上下文、醫療的大圖檔記憶體負載、金融的極致低延遲）進行精準效能調校。
• 極致速度與效率（Velocity & Efficiency）：複用前期研發數據與模型，大幅壓縮上市時間。
• 統一品質標準（Quality & Continuum）：貫穿全生命週期，確保驗證基準的一致性。

在其推出的KAI（Keysight AI）模擬解決方案陣容 中，包括KAI Data Center Builder、KAI Conformance Builder與KAI Inference Builder，開發者能在矽前（Pre-silicon）及晶片設計階段，透過軟硬體仿真模擬出整台伺服器或AI機架的真實運作環境。晶片設計商（NPU/ASIC）與交換器廠商在寫下第一行RTL程式碼時，就能對跨節點通訊協定與負載進行壓力測試，徹底避免晶片投片（Tape-out）後才發現系統整合瓶頸的昂貴代價。

從1.0nm晶圓到萬核資料中心

Periakaruppan表示，AI系統的驗證挑戰在於系統中的元件由不同廠商分別開發，需要共通的系統模型才能協同進行。是德科技能為客戶模擬出AI系統中尚未完成或不在其掌握範圍內的其他部分，使單一元件在開發初期即可在接近真實的系統情境下接受驗證。透過設計到部署連續體，從矽前到矽後（Post-Silicon）階段，協助客戶在維持品質一致的同時縮短開發時間與上市時程。

是德科技展現了其橫跨9大研發節點的完整產品組合，從最前端的矽前設計、晶圓測試（Wafer）、晶片封裝（Chip）、PCB板級、伺服器（Server）、機架（Rack）、資料中心（Data Center），延伸至邊緣端（Edge/5G/6G）。 各階段使用共通的系統模型與一致的驗證標準；客戶不必等到晶片產出，即可先在設計階段檢視元件的規格、與其他元件的搭配性及系統表現，待晶片完成後再以相同標準重新驗證。 面對算力需求呈幾何級數成長，Periakaruppan強調，單靠硬體堆疊已難以維持經濟效益。模擬萬物，優化一切Emulate Anything, Optimize Everything已不僅是技術口號，更是協助全球半導體、雲端服務業者（CSP）及系統整合商在AI浪潮中確保算力變現能力的必備解方。