谷歌AI芯片AI設計！端到端閉環，三星聯發科都buy in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併購風波。於是網友給出主意：

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）。

圍觀羣衆都相當興奮：

幾個小時搞定AI芯片設計

向前追溯來看，AlphaChip最早期的成果於2020年以預印本形式發佈，2021年登上Nature。

但直到今天谷歌纔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，都是基於深度強化學習。

AlphaZero掌握了圍棋、國際象棋的遊戲規則，AlphaChip就是將規劃芯片佈局視爲一個遊戲。

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，稱爲宏塊。

芯片設計就是要確定它們的位置，如何佈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，爲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基於深度強化學習，從之前的芯片佈局中進行學習，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、性能和麪積（PPA）等進行優化，並輸出概率分佈。最終將根據佈局質量計算獎勵。

利用一種新型的基於邊緣（edge-based）的圖神經網絡AlphaChip可以學習互聯芯片組件之間的關係，並應用在芯片之間，所以AlphaChip能對設計的每個佈局進行改進。

下圖中，左圖爲零樣本下AlphaChip佈局開源Ariane RISC-V CPU的結果，右圖爲基於預訓練策略（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設計芯片正在成爲新範式

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，該研究員被谷歌解僱。

（一個猜測：這或許也是AlphaChip遲遲沒有正式發佈的原因之一？）

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是第一個用於處理器設計的商業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