奇點警報：人工智能已經開始設計自己的晶片
人工智能不僅協助和加速晶片設計，還成為我們今天使用的處理器製作中不可或缺的部分。
人類智慧和我們的集體智慧在人工智能的崛起中已經成為限制因素。事實上，現在唯一明智的做法似乎就是讓人工智能設計未來的硬件，甚至到微晶片的層面。
最近，人工智能已經在多個挑戰性領域解鎖了新的技術進步，從加速可再生能源研究到準確檢測癌症都顯示出其潛力。因此，當我上個月參加在亞美尼亞舉行的WCIT會議時，有關人工智能如何協助晶片設計的演講引起了我的注意。
滿足全球不斷增長的計算能力需求是一項艱鉅的任務。無論是手機、筆記本電腦還是汽車中的處理器，已經變得微乎其微且足夠快速，能夠準確執行每秒數十億條指令。然而，我們仍然希望最新的設備能比去年的型號做得更多、運行得更快。
這在處理器上是什麼樣子呢？想想看，2001年任天堂GameCube的Gekko處理器上有2100萬個晶體管，而到了2021年，我們卻能在一個指甲大小的晶片上放置500億個晶體管。雖然我們無疑站在巨人的肩膀上，但今天的晶片設計和製造比以往幾十年都要複雜得多。
現在，我們還需要專門的晶片。例如，筆記本電腦和雲伺服器上有設計用來高效運行機器學習任務的神經處理單元（NPU）。還有3D晶片，這是將多個晶片堆疊在一起以提高性能的組合。
所有這些複雜的組件需要比我們用傳統算法能夠想像的更精確的設計，而這正是人工智能發揮作用的地方。
人工智能在設計晶片的過程中以多種方式加快和優化了這一龐大的任務。對於處理器製造商來說，人工智能輔助設計意味著他們可以在更少的工程師下創建出更好的晶片，並且回應時間大大縮短。
在WCIT會議上，我與Synopsys的首席架構師及Synopsys亞美尼亞總裁Dr. Yervant Zorian進行了交談，這引發了我對未來人工智能驅動的技術的深入探討。
電子設計自動化（EDA）的重要性
晶片設計依賴於一類稱為電子設計自動化（EDA）的軟件、硬件和服務。這些工具使工程師能夠定義晶片的規格及功能，設計它、計劃組裝、驗證製造後的正常運作，並將其投入生產。
EDA工具提供了功率模擬工具，讓設計師能夠虛擬地嘗試不同的想法，同時優化高處理器性能、低功耗和理想的熱散發。
當晶片原型製作完成後，這些工具還有助於驗證性能和可靠性，以確保複雜且昂貴的製造過程能夠提供盡可能高的功能晶片產量。
市場上有很多公司製造EDA工具，包括Autodesk、Keysight Technologies、Cadence Design Systems和Synopsys。後兩者無疑是這個領域中最大的參與者之一。舉例來說，Synopsys的工具被特斯拉、Arm、AMD、微軟、英特爾、三星和台積電等公司使用。
晶片設計的複雜性
你可能聽說過摩爾定律。這更像是一種觀察，而非法律，由英特爾的共同創始人Dr. Gordon Moore在1965年提出。他指出，半導體公司能夠每12個月將每平方英吋矽上的離散元件數量翻倍。
如今，我們對這個所謂的法則玩得相當寬鬆。現在的說法是，我們看到處理器的計算能力每18到24個月翻一番。
在60年代和70年代，翻倍晶體管的數量或許比今天要簡單得多。因為現在，我們在一個微小的晶片上擁有幾十億個納米級晶體管。這些晶體管現在小到開始遇到物理極限；電子在這些納米設計中不再遵循常規行為，開始因量子效應而“隧穿”過障礙，影響計算的準確性和效率。因此，讓它們變得更小變得非常困難。
人工智能如何協助晶片設計
1) 人工智能處理大量繁瑣的工作
今天看到的晶片不可能在沒有人工智能的情況下設計出來。根據Synopsys的資料，自2016年以來，人工智能就已經在晶片設計過程的各個部分提供協助。這是因為我們的計算需求變得越來越複雜，加上對效率和小型化的需求。
這一切都歸結於將更多晶體管安置在晶片上，確保它們不會過熱，並在根據設計製造時可靠運行。人工智能在快速解決這些挑戰方面已經證明其有效性，幫助製造商及時將產品推向市場。
Synopsys為晶片製造商提供了一套基於人工智能的EDA工具，這些產品幾乎涵蓋了晶片設計過程中的每個方面，包括系統架構定義、設計實施、驗證和製造等複雜任務。它們還可以處理重複且耗時的任務，例如模擬，並以更高的準確性和速度進行這些操作。
2021年，我們看到第一款由三星設計的商業晶片是基於人工智能的。去年，Synopsys的生成式人工智能中心負責人Stelios Diamantidis表示：“目前已有超過300款使用Synopsys人工智能技術設計的商業晶片投入生產。”
2) 人工智能設計專用晶片並優化複雜佈局
在晶片設計中，強化學習是協助設計師工作的人工智能的基礎。在這裡，人工智能模型通過試錯學習過程來做出決策，以在特定情況下達到最佳結果。
目前，人工智能特別擅長幫助：
– 設計空間優化（確保高性能和時鐘頻率，有效利用晶片空間，及動態功耗）。
– 數據分析以提高產量（意味著更高的製造效率）。
舉個例子，2020年，谷歌DeepMind的研究人員發表了一篇論文，概述了他們的開源神經架構——AlphaChip，如何應對晶片佈局的挑戰性任務。該系統利用強化學習從以往的設計中學習，將人類設計師創建晶片佈局所需的時間從數週縮短到幾小時。
總體來說，人工智能模型在基本晶片設計任務（如將電路元件放置在佈局上）上進行“預訓練”。然後，它們會將這些元件連接在一起，並理解它們之間的關係。
在AlphaChip的案例中，它首先在各種不同晶片塊上進行訓練，然後才能處理更複雜的晶片佈局。每次完成設計後，它的表現會變得更好、更快。
根據該論文在9月發表的附錄，該團隊指出，AlphaChip生成的晶片設計已經達到“超人類”水平，並自2020年以來在每一代谷歌的張量處理單元（TPU）中使用。這些晶片為谷歌的許多流行人工智能模型提供動力，包括其ChatGPT競爭對手Gemini。
3) 甚至有一種類似ChatGPT的晶片設計工具
你可能熟悉生成式人工智能（genAI），它指的是通過學習現有數據中的模式來創建新內容（如文本、圖像、代碼或音樂）的人工智能系統，如ChatGPT和Midjourney。這項技術也開始在晶片設計中發揮作用。
在半導體行業，這項技術目前仍處於早期階段。例如，Synopsys的genAI技術充當知識查詢系統。它回答設計師對EDA工具和當前項目的問題，並根據Synopsys的資源庫提供見解。
由於晶片設計是一個複雜的領域，genAI在這方面特別有用。在Sama的《How AI Happens》播客的最近一集中，Synopsys的人工智能和機器學習副總裁Thomas Andersen描述了一個聊天機器人如何快速瀏覽長達100頁的規格清單，並進行摘要，以便設計師能夠輕鬆理解。它還可以提取重要信息，如驗證約束，並協助代碼優化。
隨著時間的推移，這些工具將從用戶的工作流程中學習，並提供更具指導性和建議性的支持。
在向客戶演示基於Synopsys的genAI輔助工具的一些早期結果時，Andersen表示：“我們看到生產力提高了30%到50%。事實上，有一個說法是，初級工程師現在的工作水平已達到專家工程師的標準。這正是我們想要的。我們把權力賦予每個人，而回應的速度當然比向人請教或查找文檔要快得多。”
下一步是開發和微調能夠超越生成內容並自主執行任務的代理系統。例如，假設一位設計師問EDA聊天機器人如何調試某個問題。genAI系統只會描述可能的解決方案，而代理系統則會主動去完成工作；它會實際運行測試或模擬，識別問題，修正設計並執行完整的測試程序，然後再將結果呈現給設計師。
人類晶片設計師的未來
Dr. Zorian解釋了近年來作為晶片設計師的經驗有了根本性的變化。
“現在提供了如此多的知識和協助，”他告訴我，“以至於有很多事情你不需要自己去做。”
“所以，你必須知道如何委派。你必須知道什麼該委派給genAI，什麼該自己做。因此，我們今天的工作是訓練我們的人知道如何委派，以及期待從genAI那裡獲得什麼。”
Zorian還強調，當人工智能能夠承擔重複性任務時，創造力、問題解決和宏觀思維成為人類能夠帶來的最高價值元素。
“隨著我們的進步，我們需要新的架構，”他說，“或架構級創新。我們需要新的分區。想想汽車中的處理器。你如何在汽車中分區你的晶片？幾年前，我們在一輛車中使用200個晶片。然後，我們進步到區域架構。現在，我們只用一個晶片來完成所有這一切。”
“這些是genAI無法建議的大決策。這些重大決策仍然將由人類專家來制定。”
未來的方向
我不禁想知道，為什麼我們不能要求人工智能系統簡單地為我們設計“更好”的晶片——創造出更高效、散熱更好、性能更強的設計。
Dr. Zorian解釋說，這裡的主要限制是數據的可用性。每個使用Synopsys生成式人工智能工具的公司僅針對自己的晶片設計和專有知識產權進行訓練。英特爾無法詢問其人工智能機器人AMD是如何解決特定設計問題的，反之亦然。
每家公司可用的工具可以參考開源材料，但考慮到這個領域問題的複雜性，這目前還不足以幫助公司設計出超出競爭對手數光年的晶片。
那麼，人工智能將如何在不久的將來影響晶片設計呢？
Synopsys認為，人工智能將繼續提高工程生產力，幫助公司應對對強大晶片日益增長的需求和合格工程師短缺的雙重挑戰。
人工智能還將幫助工程師更快地探索設計選項並做出更好的決策，從而設計出更高效和有效的晶片。
它還可以使晶片設計對更廣泛的工程師群體更加可及，通過自動化許多更複雜的任務來民主化這個高度技術化的領域。這也可能在公司層面產生影響，潛在地允許較小的公司進入市場，設計專用應用的定制晶片。
生成式人工智能在晶片設計中的出現仍處於早期階段，主要作為設計助手運作。
進一步說，我們已經在使用人工智能設計為其提供動力的晶片。這些模型正在學習改進先前的處理器，識別提高可製造性和產量的方法，並幫助人們做出更好的決策以改進其設計過程。考慮到這些模型的演變速度，可能不久後就會出現端到端的人工智能設計。我們所需做的就是設置目標參數，告訴人工智能製造工具的能力，然後就能迎來性能超越上一代的新晶片。
沿著這條道路，這些過程可能形成一個關鍵的強化迴路，將我們推向那個狂野的奇點概念——人工智能建造出比人類更聰明的機器，每一代都能比上一代更快地自我改進。想想這既令人生畏又令人著迷。
有一天，設計師和工具之間的界限可能會變得模糊不清，而我們將創造出我們幾乎無法想像的計算景觀。未來的處理器不僅僅是一個工具——它將成為人類最雄心勃勃的技術夢想中的共同創作者。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
