谷歌 DeepMind 表示，其人工智能已帮助设计芯片，这些芯片已用于数据中心甚至智能手机。但一些芯片设计专家对该公司的说法表示怀疑，即此类人工智能可以比人类更好地规划新的芯片布局。
新命名的 AlphaChip 方法可以在数小时内设计出超人的芯片布局，而不是依赖数周或数周时间。谷歌 DeepMind 的研究人员 Anna Goldie 和 Azalia Mirhoseini 在一篇博客文章中表示，这需要人类几个月的努力。这种人工智能方法使用强化学习来找出芯片组件之间的关系，并根据最终布局质量获得奖励。但独立研究人员表示，该公司尚未证明此类人工智能可以胜过专业的人类芯片设计师或商业软件工具，他们希望看到 AlphaChips 在涉及当前最先进电路设计的公共基准上的性能。
广告
如果 Google 能够提供这些设计的实验结果，我们就可以进行公平的比较，我希望每个人都会接受这些结果，”宾厄姆顿大学的帕特里克·马登 (Patrick Madden) 说道。纽约。这些实验最多需要一两天才能运行，而谷歌拥有近乎无限的资源，这些结果尚未提供对我来说意义重大。Google DeepMind 拒绝提供更多评论。
Google DeepMinds 博客文章附带了 Google 2021 年《自然》期刊论文有关该公司人工智能流程的更新。自那时起，Google DeepMind 表示 AlphaChip 已帮助设计了三代 Google 张量处理单元 (TPU) 专用芯片，用于训练和运行 Google Gemini 聊天机器人等服务的生成式 AI 模型。
该公司还据称，人工智能辅助芯片设计的性能优于人类专家设计的芯片，并且一直在稳步改进。人工智能通过减少连接芯片组件所需的电线总长度来实现这一目标，这一因素可以降低芯片功耗并可能提高处理速度。Google DeepMind 表示 AlphaChip 已经为 Google 数据中心使用的通用芯片创建了布局，并帮助 MediaTek 公司开发了用于三星手机的芯片。
每周在收件箱中收到一次发现。
但 Google 公开发布的代码缺乏对常见行业芯片数据格式的支持，这表明 AI 方法目前更适合 Google芯片设计研究员 Igor Markov 表示，“专有芯片”。“我们现在真的不知道 AlphaChip 是什么，它能做什么，不能做什么，”他说。我们确实知道，强化学习比商业工具中使用的方法需要多两到三个数量级的计算资源，并且通常落后于结果。
Markov 和 Madden 批评了原始论文中关于AlphaChip 的表现优于未透露姓名的人类专家。与未命名的人类设计师的比较是主观的，不可重复，而且很容易被欺骗。马尔科夫说，人类设计师可能付出的努力不够，或者资质不佳，这里没有科学结果。想象一下，如果 AlphaGo 战胜了未透露姓名的围棋选手。
2023 年，一位审阅过 Google 论文的独立专家撤回了他最初赞扬 Google 工作的《Nature》评论文章。这位专家，加州大学圣地亚哥分校的安德鲁·卡恩（Andrew Kahng）也进行了一项公共基准测试，试图复制谷歌的人工智能方法，但发现它的表现并不总是优于人类专家或传统计算机算法。性能最好的方法是来自 Cadence 和 NVIDIA 等公司的芯片设计商业软件。
在每个我认为公平比较的基准测试中，强化学习似乎都落后于当前的状态。马登说，艺术的差距很大。对于电路布局，我不认为这是一个有前途的研究方向。
期刊参考
主题：