Semiconductor Engineering 的 EDA 专业技术编辑 Brian Bailey 发布的一项分析指出，如今已无法通过分别看待硬件和软件来优化系统。软件工作负载的变化速度快于芯片开发周期，而功耗、性能和散热已成为相互关联的因素，要求软件团队与硬件团队尽早协作，而不是在每个阶段结束后再将设计从一个团队交给另一个团队。
该分析介绍了人们重新关注所谓的硬件—软件协同设计，但其所处环境不同于大约 30 年前的情况。当时，现有技术还不足以产生显著差异，因此产业转向汇集预先验证的 IP 模块并进行集成。此前方法的一些残余仍然存在，例如虚拟建模，以及非定时或近似定时的 SystemC 模型，但仅靠这些工具已不足以表示当前真实的工作负载。
从团队分离到虚拟模型
Quadric 首席营销官 Steve Roddy 表示，由硬件团队完成设计后再交付给嵌入式软件团队的时代，已经结束超过二十年。过去十年中，虚拟建模不断扩展，涵盖物理输入和传感器接口，这被称为虚拟孪生建模。
但当前的挑战更加复杂：系统规模大得多，并且是针对由软件定义的工作负载而设计的，而软件迭代速度快于硬件开发。这使协同设计成为一种硬件持续追赶软件的过程。Normal Computing 的 Arvind Srinivasan 认为，过去将软件栈各部分与硬件栈各部分分隔开的抽象层，有助于管理复杂性并提高开发效率和可靠性；但如今，为每个工具链环节提取最大优化空间的需求，尤其是针对对性能敏感的人工智能工作负载，正在改变这一平衡。
解决这一问题需要更广泛地理解“架构”一词。它不仅指系统的总体结构，或微架构和指令集，还包括软件架构以及实际执行的工作负载。Siemens EDA 的 Andy Meier 表示，架构选择应从应用或工作负载出发，并考虑该工作负载如何影响系统结构、指令以及其中的各种组件。
能源驱动专业化浪潮回归
该分析援引了 Tsugio Makimoto 的观察。Makimoto 在 20 世纪 90 年代曾担任 Sony 的技术负责人，他指出产业会在专业化和通用化之间以波浪式演进。在通用处理器主导广泛领域的一段时期之后，边缘计算以及随后数据中心的计算需求开始推动更加专业化的解决方案。
在终端设备中，驱动力与在可用功率限制下延长电池续航时间有关。而在数据中心，功率密度和散热已开始限制运行人工智能工作负载的可选方案。因此，通用处理单元不再是唯一答案，业界开始需要包含多种芯片类型的异构数据中心，并根据每种芯片的特性分配或汇聚工作负载。
Normal Computing 首席科学家 Patrick Coles 指出，随着越来越多证据表明 ASIC 的作用正在扩大，图形处理器可能并不是计算发展的终点。Synopsys 的 Frank Schirrmeister 还表示，超大规模计算公司正在开发自己的芯片和加速器，以共同优化性能和功耗等关键绩效指标，而不是只关注速度。
然而，专业化并不只是技术决策。必须确定何种程度的定制在经济上值得其成本，以及它是否能带来足够的性能和能耗收益。SignatureIP 首席执行官 Purna Mohanty 指出，规格的复杂性可能使客户自身也无法准确表达需求，这要求 IP 供应商与客户需求之间持续协调，同时权衡现成解决方案的优势与开发新特性的收益。
RISC-V 是与工作负载相关的专业化示例
在该分析中，RISC-V 被视为迈向“为工作负载设计的芯片”的一个例子。企业正在为内核开发定制扩展，以改善性能或功耗，但这些扩展还需要生态系统中的其他部分配合，例如编译器和软件集成工具。
RISC-V International 首席执行官 Andrea Gallo 解释说，使用定制指令意味着企业要承担全部所有权成本，包括工具链和软件集成成本。这种方法可能是快速创新的手段，但企业日后可能会寻求将该扩展转化为标准，使其维护成本由更广泛的生态系统分担。分析还指出，预先了解软件工作负载，可以使处理元素适配应用；而在运行未知或不断变化的软件时，通用且可扩展的计算引擎仍然十分重要。
功耗与散热扩大协同设计范围
协同设计的影响并不限于性能。软件工程师可能了解功耗的重要性，但他们并不总是拥有能够尽早测量其决策影响的工具。因此，各团队正在努力在软件开发期间与硬件开发并行提供功耗数据，并优化每瓦 TOPS 等指标，而不仅仅是原始 TOPS。
对于包含多个缓存层级的异构应用，难度会进一步增加；此外还包括设计内建测试（DFT）等其他功能，因此必须在涵盖这些功能的真实工作负载中分析功耗和性能。当分析范围扩展到散热、电磁干扰以及多物理场方面时，硬件团队与软件团队的结合会形成一个新的整体，并加入多物理场分析。
分析中的一些参与者提出了利用人工智能理解硬件、软件、功耗和性能之间复杂关系的可能性。但这需要能够描述软件在不同层级消耗了多少功耗的数据，涵盖芯片、服务器、机架、车辆和数据中心。成熟的人工智能驱动解决方案出现之前，业界可能仍将依赖 IP 集成以及不同程度的专业化选择。
关于 RISC-V 中矩阵扩展的讨论表明，没有一种解决方案适合所有用途：较小的扩展可以降低功耗，而更大的寄存器、操作和累加器集合能够提供更高吞吐量，但代价是芯片面积和功耗增加。最终选择取决于内核、加速器和目标工作负载的分布方式。该分析总结认为，通往垂直整合的道路仍远未完成，但它已成为使设计与现代系统中的软件、功耗和性能相匹配的必要趋势。