آراء حول الذكاء الاصطناعي التوليدي في CadenceLIVE - Semiwiki

أعاد نشره أفلاطون

المتابعون: 0

وفقا لبعض الحالمين في مجال الذكاء الاصطناعي، نحن على وشك الوصول إلى هناك. لن نحتاج بعد الآن إلى خبراء في تصميم الأجهزة أو البرامج، بل مجرد شخص يقوم بإدخال المتطلبات الأساسية التي ستسقط منها تقنيات النظام المحققة بالكامل على الطرف الآخر. آراء الخبراء في الصناعة متحمسة ولكنها أقل مبالغة. أدار بوب أودونيل، الرئيس والمؤسس وكبير المحللين في TECHnalogy Research، حلقة نقاش حول هذا الموضوع في CadenceLIVE مع أعضاء اللجنة روب كريستي (المدير الفني والمهندس المتميز، التنفيذ - أنظمة الهندسة المركزية في Arm)، وبرابال دوتا (أستاذ مشارك في الهندسة الكهربائية). وعلوم الكمبيوتر، في جامعة كاليفورنيا، بيركلي)، والدكتور بول كننغهام (نائب الرئيس الأول والمدير العام لمجموعة النظام والتحقق في Cadence)، وكريس روين (نائب الرئيس للهندسة، وتعاون الذكاء الاصطناعي في Cisco) وإيجور ماركوف (الأبحاث) عالم في Meta) - الأشخاص الذين يعرفون أكثر من معظمنا عن تصميم الرقائق والذكاء الاصطناعي. قدم جميع أعضاء اللجنة رؤى قيمة. لقد لخصت المناقشة هنا.

آراء حول الذكاء الاصطناعي التوليدي

هل سيغير الذكاء الاصطناعي التوليدي تصميم الرقاقة؟

وكان الإجماع نعم ولا. يستطيع الذكاء الاصطناعي أتمتة الكثير من التفاعلات البشرية داخل الحلقة بالإضافة إلى تقنيات اللبنات الأساسية الضرورية: المكان والطريق، والمحاكاة المنطقية، ومحاكاة الدوائر، وما إلى ذلك. وهذا يسمح لنا باستكشاف نطاق أوسع - وربما أوسع بكثير - من الخيارات التي قد تكون ممكنة من خلال الاستكشاف اليدوي.

يعتبر الذكاء الاصطناعي احتماليًا بشكل أساسي، وهو مثالي عندما تكون الإجابات الاحتمالية مناسبة (التحسين بشكل عام على خط الأساس) ولكن ليس عندما تكون الدقة العالية إلزامية (مثل تركيب البوابات). علاوة على ذلك، تعد النماذج التوليدية اليوم جيدة جدًا في مجموعة محدودة من المجالات، وليس بالضرورة في أي مكان آخر. على سبيل المثال، فهي غير فعالة للغاية في تطبيقات الرياضيات. ومن المهم أيضًا أن نتذكر أنهم لا يتعلمون المهارات حقًا، بل يتعلمون التقليد. لا يوجد فهم أساسي للهندسة الكهربائية أو الفيزياء أو الرياضيات على سبيل المثال. في الاستخدام العملي، قد يتم تعويض بعض القيود من خلال التحقق القوي.

ومع ذلك، فإن ما يمكنهم فعله في تطبيقات اللغة أمر رائع. وفي مجموعات البيانات الضخمة الأخرى الخاصة بمجال معين، كما هو الحال في الشبكات، يمكن للنماذج الكبيرة أن تتعلم البنية وتستنتج العديد من الأشياء المثيرة للاهتمام التي لا علاقة لها باللغة. وبوسعك أن تتخيل التعلم الخطي الفائق في بعض المجالات إذا كان من الممكن أن يتعارض التعلم مع النصوص العلمية في جميع أنحاء العالم، على افتراض أننا قادرون على إتقان القضايا الشائكة المتعلقة بالملكية الفكرية والخصوصية.

هل يمكن للأساليب التوليدية تعزيز تنمية المهارات؟

في مجال تصميم أشباه الموصلات والأنظمة، نواجه نقصًا خطيرًا في المواهب. يعتقد أعضاء اللجنة أن الذكاء الاصطناعي سيساعد المهندسين الأصغر سنًا والأقل خبرة على تسريع وتيرة العمل للوصول إلى مستوى أداء أكثر خبرة. سوف يتحسن الخبراء أيضًا، حيث سيحصلون على مزيد من الوقت لدراسة وتطبيق تقنيات جديدة من الحدود المتزايدة باستمرار في أبحاث الهندسة المعمارية الدقيقة والتنفيذ. يجب أن يكون هذا بمثابة تذكير بأن الأساليب القائمة على التعلم ستساعد في المعرفة "كل مصمم ذي خبرة يعرفها" ولكنها ستكون دائمًا خلف منحنى الخبراء.

هل ستسمح لنا هذه الأدوات بإنشاء أنواع مختلفة من الرقائق؟ على المدى القريب، سيساعد الذكاء الاصطناعي في صنع رقائق أفضل بدلاً من أنواع جديدة من الرقائق. النماذج التوليدية جيدة مع تسلسل الخطوات؛ إذا كنت تمر بنفس عملية التصميم عدة مرات، فيمكن للذكاء الاصطناعي تحسين/أتمتة هذه التسلسلات بشكل أفضل مما نستطيع. علاوة على ذلك، قد تساعدنا الأساليب التوليدية في بناء أنواع جديدة من شرائح الذكاء الاصطناعي، وهو ما قد يكون مثيرًا للاهتمام لأننا ندرك أنه يمكن إعادة صياغة المزيد والمزيد من المشكلات على أنها مشكلات في الذكاء الاصطناعي.

مجال آخر مثير للاهتمام هو التصميم متعدد القوالب. وهذا مجال جديد حتى بالنسبة لخبراء التصميم. اليوم، نفكر في كتل الشرائح ذات الواجهات المبنية على شكل قطع ليغو محددة مسبقًا. قد يقترح الذكاء الاصطناعي التوليدي طرقًا جديدة لفتح تحسينات أفضل، وتقديم إجابات مختلفة عما قد يجده الخبراء بسرعة.

المزالق

ما هي المخاطر المحتملة لتطبيق الذكاء الاصطناعي التوليدي على تصميم الرقاقة و/أو النظام؟ نحن أنفسنا نمثل مشكلة واحدة. إذا كان الذكاء الاصطناعي يقوم بعمل جيد، فهل تبدأ في الثقة به أكثر مما ينبغي؟ أسئلة مماثلة تشكل بالفعل مصدر قلق فيما يتعلق بالقيادة الذاتية والطائرات بدون طيار ذاتية التحكم. الثقة هي توازن دقيق. يمكننا أن نثق ولكن نتحقق، ولكن ماذا لو أصبح التحقق أيضًا قائمًا على التعلم للتعامل مع التعقيد؟ عندما يثبت الذكاء الاصطناعي للتحقق صحة التصميم الذي تم إنشاؤه بواسطة الذكاء الاصطناعي، أين يمكننا عبور الخط الفاصل بين الثقة المبررة وغير المبررة؟

ChatGPT هو مثال تحذيري. إن السحر الكبير والمغالطة الكبرى في ChatGPT هو أنه يمكنك أن تطلب منه أي شيء. نحن مندهشون من الذكاء المحدد وحقيقة أنه يغطي العديد من المجالات المختلفة. يبدو الأمر وكأن مشكلة الاستخبارات العامة التلقائية قد تم حلها.

لكن جميع التطبيقات في العالم الحقيقي تقريبًا ستكون أضيق بكثير، وسيتم الحكم عليها وفقًا لمعايير مختلفة عن القدرة على الإبهار أو الترفيه. في مجالات الأعمال والهندسة وغيرها من تطبيقات العالم الحقيقي، نتوقع نتائج عالية الجودة. ليس هناك شك في أن مثل هذه التطبيقات سوف تتحسن تدريجيًا، ولكن إذا تجاوزت هذه الضجة الواقع كثيرًا، فسوف تتحطم التوقعات، وتتوقف الثقة في المزيد من التقدم.

وبشكل أكثر عملية، هل يمكننا دمج المهارات النقطية الراسخة في الأنظمة التوليدية؟ مرة أخرى، نعم ولا. هناك بعض النماذج المعززة التي تكون منتجة للغاية وقادرة على التعامل مع العمليات الحسابية والتلاعب بالصيغ، على سبيل المثال، WolframAlpha الذي تم دمجه بالفعل مع ChatGPT. يوفر WolframAlpha المنطق الرمزي والعددي، مكملاً للذكاء الاصطناعي. فكر في الذكاء الاصطناعي باعتباره واجهة بين الإنسان والآلة، وفي تعزيز WolframAlpha باعتباره الفهم العميق وراء تلك الواجهة.

هل من الممكن تجاوز التعزيز والتعلم وتحميل المهارات مباشرة إلى الذكاء الاصطناعي كوحدات كما تمكن نيو من تعلم الملك فو في المصفوفة؟ ما مدى محلية تمثيل هذه المهارات في نماذج اللغة؟ ولسوء الحظ، حتى الآن، يتم تمثيل المهارات المكتسبة بالأوزان في النموذج وهي عالمية. إلى هذا الحد، لا يمكن تحميل وحدة مدربة كامتداد لمنصة مدربة موجودة.

هناك سؤال ذو صلة إلى حد ما حول قيمة التدريب العالمي مقابل التدريب الداخلي فقط. النظرية هي أنه إذا كان بإمكان ChatGPT القيام بهذا العمل الجيد من خلال التدريب على مجموعة بيانات عالمية، فيجب أن تكون أدوات التصميم قادرة على القيام بالشيء نفسه. هذه النظرية تتعثر بطريقتين. أولاً، تعتبر بيانات التصميم اللازمة للتدريب مملوكة للغاية، ولا يجوز مشاركتها أبدًا تحت أي ظرف من الظروف. كما يبدو التدريب العالمي غير ضروري؛ يمكن لشركات EDA توفير نقطة انطلاق جيدة بناءً على أمثلة التصميم المستخدمة بشكل روتيني لتحسين الأدوات غير المتعلقة بالذكاء الاصطناعي. ويبني العملاء على هذه القاعدة، ويتدربون باستخدام بياناتهم الخاصة، ويبلغون عن تحسن ملموس لأغراضهم.

ثانيًا، من غير الواضح ما إذا كان التعلم المشترك عبر العديد من مجالات التصميم المختلفة سيكون مفيدًا. تريد كل شركة تحسين المزايا الخاصة بها، وليس من خلال مجموعة متعددة الأغراض من "أفضل الممارسات".

نأمل في إعادة الاستخدام في الذكاء الاصطناعي ونتطلع إلى الأمام

بالنظر إلى الإجابات السابقة، هل نحن عالقون في نماذج فريدة لكل مجال ضيق؟ ليس من الواضح ما إذا كانت بنية واحدة يمكنها فعل كل شيء، ولكن الواجهات المفتوحة ستشجع نظامًا بيئيًا من القدرات، ربما مثل حزمة البروتوكولات. ستختلف التطبيقات، ولكن لا يزال من الممكن وجود الكثير من البنية التحتية المشتركة. وأيضًا، إذا فكرنا في التطبيقات التي تتطلب سلسلة من النماذج المدربة، فقد تكون بعض هذه النماذج أقل ملكية من غيرها.

وبالنظر إلى الأمام، فإن الذكاء الاصطناعي التوليدي هو قطار سريع الحركة. الأفكار الجديدة تظهر شهريا، بل يوميا، فما هو غير ممكن اليوم قد يصبح ممكنا أو يتم حله بطريقة مختلفة قريبا نسبيا. لا تزال هناك مشكلات كبيرة تتعلق بالخصوصية في أي مجال اعتمادًا على التدريب عبر مجموعات البيانات الواسعة. إن إثبات أن السلوك المكتسب في مثل هذه الحالات لن ينتهك براءات الاختراع أو الأسرار التجارية يبدو وكأنه مشكلة صعبة للغاية، وربما يكون من الأفضل تجنبها من خلال قصر مثل هذا التدريب على القدرات غير الحساسة.

وعلى الرغم من كل التحذيرات، فهذه منطقة لا داعي للخوف فيها. الذكاء الاصطناعي التوليدي سيكون تحويليًا. يجب علينا أن ندرب أنفسنا على الاستفادة بشكل أفضل من الذكاء الاصطناعي في حياتنا اليومية. وفي المقابل، تطبيق ما تعلمناه ليكون أكثر طموحًا لاستخدامنا في تقنيات التصميم.

كلام رائع. مفعم بالأمل، مع رؤى جيدة حول القيود والتطبيقات العملية.