根據消息，Google稱其正在使用機器學習系統幫助工程師設計新一代機器學習晶片。Google工程師表示，演算法設計的晶片品質和人工設計「相當」甚至「更好」，且完成速度要快得多。 Google表示，人工智慧可以在6小時內完成人工需耗時數個月的晶片設計工作 。
Google多年來一直傾心研究如何使用機器學習製造晶片，Google員工日前發表在《自然》期刊的一篇論文證實此類研究已應用於商業產品。Google開始用人工智慧設計自家的TPU晶片。
據悉，TPU晶片是應用於人工智慧的晶片，專門針對人工智慧運算進行強化。「我們的方法已用於生產設計新一代的Google TPU，」Google研究科學家、論文作者Azalia Mirhoseini和Anna Goldie寫道。
換句話說， 人工智慧正在幫助推動人工智慧技術的進步 。
Google工程師在論文中指出，這項工作對晶片產業有「重大影響」。可以讓公司在設計晶片時，探索架構可能性的速度變得更快，為特定工作負載定制晶片也更加便捷。
《自然》期刊的一篇評論稱這項研究是一項「重要成就」，並指出此類工作可以幫助抵消摩爾定律的終結 。「摩爾定律」是20世紀70年代出現的一項晶片設計原則，也就是晶片上的電晶體數量每兩年翻一倍。人工智慧不一定能突破物理極限、將越來越多的電晶體壓縮到晶片上，但可以幫助工程師找到提高晶片性能的其他途徑。
Google算法處理的具體任務被稱為「晶片版面規劃」。一般情況下，設計師需要在運算機工具的幫助下，為CPU、GPU以及儲存核心等晶片子系統找到在矽晶片上的最佳佈局。這些晶片子系統透過總長達幾十公里的微小線路連接在一起，晶片上每個子系統的位置均會影響晶片的最終處理速度和效率。此外，考慮到晶片製造的規模和運算週期，奈米方面的位置調整最終會帶來巨大影響。
Google工程師們指出，規劃晶片版面是需要耗時數月的高壓工作，但從機器學習的角度來看，完全可以像下棋那般解決這項問題。
人工智慧已證實可以在國際象棋和圍棋等棋類游戲中勝過人類。Google工程師們指出，晶片版面的規劃與此類挑戰相似，只不過用的是晶片。棋盤上的棋子變成了CPU和GPU等晶片子系統器件。 接下來的任務，就是讓機器學習系統找到「獲勝條件」 ，在國際象棋比賽中是吃掉敵軍的王，而在晶片設計中則是運算效率。
Google工程師利用規劃晶片版面的數據來訓練一種強化的機器學習算法，其中有1萬個不同質量的晶片版面規劃圖，一些規劃是隨機生成的，每個規劃圖所需的電線長度和功耗皆不同。訓練後的算法利用這些數據來區分版面規劃的好壞，並對應生成新的設計。
當人工智慧在棋類遊戲中挑戰人類時，機器不一定像人類那般思考，且經常會對熟悉的問題提出意想不到的解決方案。DeepMind的AlphaGo與圍棋冠軍李世石對弈時便是如此，人工智慧看似不合邏輯的一步棋卻最終取得了勝利。
Google的晶片設計算法並未帶來如此戲劇性的變化，但其生成的晶片版面設計與人工設計完全不同。在人工智慧設計的晶片版面中，各個子系統並未整齊排列，幾乎是隨機分散在晶片上。
這篇論文之所以值得注意，是因為其研究成果正被Google用於商業用途 。但這並不是人工智慧輔助晶片設計的唯一應用。Google還在「架構探索」等晶片設計過程的其他部分使用人工智慧，而NVIDIA等競爭對手也在研究其他方法來加快晶片研發的工作流程。用人工智慧設計人工智慧晶片的良性循環似乎才剛剛開始。
本文授權轉載自：網易科技
責任編輯：文潔琳、錢玉紘
