新火種
2024-10-06 
谷歌AI芯片AI設計！端到端閉環，三星聯發科都buyin了
芯片加速AI發展，AI反過來又推動芯片進步？
剛剛，谷歌芯片設計算法AlphaChip正式亮相。
DeepMind CEO哈薩比斯調侃：這下閉環了。
要知道，AlphaChip只需幾個小時就能生成比肩人類水平的芯片設計圖。
谷歌目前最強TPU“Trillium”，AlphaChip就參與了設計，而TPU又訓練了Gemini、Imagen、Veo等新算法。
以及聯發科、三星等芯片廠商，也都將其用到了實際生產中。
這不，最近處在轉型逆風期的英特爾深陷并購風波。于是網友給出主意：
谷歌表示AlphaChip現在不僅速度更快，而且需要的計算資源更少，已經達到人類專家級水平。
最新發布中，谷歌還開源了一個預訓練版本，這樣大家都能用AlphaChip更簡易地開發芯片（但也還是自己預訓練的效果更好）。
圍觀群眾都相當興奮：
幾個小時搞定AI芯片設計向前追溯來看，AlphaChip最早期的成果于2020年以預印本形式發布，2021年登上Nature。
但直到今天谷歌才給它了一個正式的名字。Jeff Dean是作者之一。
AlphaChip和AlphaGo、AlphaZero的原理相似，都是基于深度強化學習。
AlphaZero掌握了圍棋、國際象棋的游戲規則，AlphaChip就是將規劃芯片布局視為一個游戲。
一個芯片上往往包含數十億個晶體管，由他們組成的數千萬個邏輯門就是標準單元，此外還有數千個存儲塊，稱為宏塊。
芯片設計就是要確定它們的位置，如何布局將影響芯片的處理速度和電源效率。
傳統方法中，光是放置宏塊這一步就很耗時了，為了給標準單元留出更多空間，每一次迭代都要幾天甚至幾周時間。
AlphaChip基于深度強化學習，從之前的芯片布局中進行學習，生成新的設計方案。
它將宏和標準單元映射到一個平面畫布上，形成具有數百萬到數十億節點的“芯片網表”。
從一個空白格開始，一次放置一個電路元件，直到放置完所有元件。算法會對功率、性能和面積（PPA）等進行優化，并輸出概率分布。最終將根據布局質量計算獎勵。
利用一種新型的基于邊緣（edge-based）的圖神經網絡AlphaChip可以學習互聯芯片組件之間的關系，并應用在芯片之間，所以AlphaChip能對設計的每個布局進行改進。
下圖中，左圖為零樣本下AlphaChip布局開源Ariane RISC-V CPU的結果，右圖為基于預訓練策略（設計20個TPU）微調的效果。
經過迭代，目前AlphaChip設計芯片的效果和速度都較此前有明顯提升，達到和人類專家相近水平。
谷歌列舉了AlphaChip在參與設計TPU v5e、TPU v5p、Trillium上的效果，它們分別是目前谷歌最先進的三款AI計算芯片。
AI設計芯片正在成為新范式值得一提的是，AlphaChip團隊此前還陷入過打假風波。
谷歌大腦員工Satrajit Chatterjee在內部質疑該團隊發表在Nature上的論文中存在一些站不住腳、實驗尚未經過充分的測試。2022年3月，該研究員被谷歌解雇。
（一個猜測：這或許也是AlphaChip遲遲沒有正式發布的原因之一？）
不過，用AI設計芯片，不只是谷歌在搞。
英偉達的H100，也有AI參與設計。
通過利用深度強化學習agent設計電路，H100中有近13000條電路由AI設計。
更早之前，三星也被曝用新思科技的DSO.ai來設計Exynos處理器。
當時新思還很得意表示，DSO.ai是第一個用于處理器設計的商業AI軟件。
以及生成式AI大潮下，Cadence也在力推AI設計芯片，推出了Optimization AI方案。而且還有Cadence Copilot，利用大語言模型（LLM）和其他基礎模型，顯著提升工程師的生產力。
參考鏈接：[1]https://deepmind.google/discover/blog/how-alphachip-transformed-computer-chip-design/[2]https://x.com/demishassabis/status/1839354651206160563[3]https://x.com/JeffDean/status/1839308592408834559
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
