Opinions On Generative AI At CadenceLIVE - Semiwiki

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Σύμφωνα με ορισμένους ονειροπόλους της τεχνητής νοημοσύνης, είμαστε σχεδόν εκεί. Δεν θα χρειαζόμαστε πλέον ειδικούς σχεδιασμού υλικού ή λογισμικού—απλώς κάποιον που θα εισάγει βασικές απαιτήσεις από τις οποίες οι πλήρως υλοποιημένες τεχνολογίες συστήματος θα φύγουν από την άλλη άκρη. Οι απόψεις των ειδικών στον κλάδο είναι ενθουσιώδεις αλλά λιγότερο υπερβολικές. Ο Bob O'Donnell, πρόεδρος, ιδρυτής και επικεφαλής αναλυτής της TECHnalysis Research συντόνισε ένα πάνελ για αυτό το θέμα στο CadenceLIVE με τους συμμετέχοντες Rob Christy (Τεχνικός Διευθυντής και Διακεκριμένος Μηχανικός, Implementation – Central Engineering Systems at Arm), Prabal Dutta (Αναπληρωτής Καθηγητής, Ηλεκτρολόγος Μηχανικός και Επιστήμες Υπολογιστών, στο Πανεπιστήμιο της Καλιφόρνια, Μπέρκλεϋ), ο Δρ. Paul Cunningham (Ανώτερος Αντιπρόεδρος και Γενικός Διευθυντής της Ομάδας System & Verification στο Cadence), ο Chris Rowen (Αντιπρόεδρος Μηχανικής, Συνεργασία AI στη Cisco) και ο Igor Markov (Έρευνα Επιστήμονας στο Meta)—άνθρωποι που γνωρίζουν περισσότερα από εμάς για το σχεδιασμό τσιπ και την τεχνητή νοημοσύνη. Όλοι οι συμμετέχοντες πρόσφεραν πολύτιμες πληροφορίες. Έχω συνοψίσει τη συζήτηση εδώ.

Γνώμες σχετικά με το Generative AI

Θα αλλάξει ο σχεδιασμός του τσιπ η γενετική τεχνητή νοημοσύνη;

Η συναίνεση ήταν ναι και όχι. Η τεχνητή νοημοσύνη μπορεί να αυτοματοποιήσει μεγάλο μέρος της αλληλεπίδρασης ανθρώπου στον βρόχο πάνω από τις απαραίτητες τεχνολογίες δομικών στοιχείων: Place-and-route, λογική προσομοίωση, προσομοίωση κυκλώματος κ.λπ. Αυτό μας επιτρέπει να εξερευνήσουμε ένα ευρύτερο -ίσως πολύ ευρύτερο- φάσμα επιλογές από αυτές που θα ήταν δυνατές μέσω της χειροκίνητης εξερεύνησης.

Η τεχνητή νοημοσύνη είναι βασικά πιθανολογική, ιδανική όπου οι πιθανολογικές απαντήσεις είναι κατάλληλες (γενικά βελτιώνονται σε μια βασική γραμμή), αλλά όχι όπου η υψηλή ακρίβεια είναι υποχρεωτική (π.χ. σύνθεση πυλών). Επιπλέον, τα μοντέλα παραγωγής σήμερα είναι πολύ καλά σε ένα περιορισμένο σύνολο πεδίων, όχι απαραίτητα αλλού. Για παράδειγμα, είναι πολύ αναποτελεσματικές σε εφαρμογές μαθηματικών. Είναι επίσης σημαντικό να θυμάστε ότι πραγματικά δεν μαθαίνουν δεξιότητες – μαθαίνουν να μιμούνται. Δεν υπάρχει καμία υποκείμενη κατανόηση της ηλεκτρικής μηχανικής, της φυσικής ή των μαθηματικών για παράδειγμα. Στην πρακτική χρήση, ορισμένοι περιορισμοί ενδέχεται να αντισταθμιστούν με ισχυρή επαλήθευση.

Τούτου λεχθέντος, αυτό που μπορούν να κάνουν σε γλωσσικές εφαρμογές είναι αξιοσημείωτο. Σε άλλα τεράστια σύνολα δεδομένων για συγκεκριμένο τομέα, όπως στη δικτύωση, τα μεγάλα μοντέλα θα μπορούσαν να μάθουν τη δομή και να συμπεράνουν πολλά ενδιαφέροντα πράγματα που δεν έχουν καμία σχέση με τη γλώσσα. Θα μπορούσατε να φανταστείτε την υπεργραμμική μάθηση σε ορισμένους τομείς, εάν η μάθηση μπορούσε να λειτουργήσει ενάντια σε παγκόσμια σώματα, υποθέτοντας ότι μπορούμε να κατακτήσουμε ακανθώδη ζητήματα IP και απορρήτου.

Μπορούν οι παραγωγικές μέθοδοι να ενισχύσουν την ανάπτυξη δεξιοτήτων;

Στον σχεδιασμό ημιαγωγών και συστημάτων, αντιμετωπίζουμε σοβαρή έλλειψη ταλέντων. Οι συμμετέχοντες πιστεύουν ότι η τεχνητή νοημοσύνη θα βοηθήσει τους νεότερους, λιγότερο έμπειρους μηχανικούς να επιταχύνουν γρηγορότερα σε ένα πιο έμπειρο επίπεδο απόδοσης. Οι ειδικοί θα βελτιωθούν επίσης, παίρνοντας περισσότερο χρόνο για μελέτη και εφαρμογή νέων τεχνικών από τα συνεχώς διευρυνόμενα σύνορα στη μικροαρχιτεκτονική και την έρευνα εφαρμογής. Αυτό θα πρέπει να είναι μια υπενθύμιση ότι οι μέθοδοι που βασίζονται στη μάθηση θα βοηθήσουν με τη γνώση «κάθε έμπειρος σχεδιαστής ξέρει» αλλά θα βρίσκονται πάντα πίσω από την καμπύλη των ειδικών.

Θα μας επιτρέψουν τέτοια εργαλεία να δημιουργήσουμε διαφορετικούς τύπους τσιπ; Βραχυπρόθεσμα, η τεχνητή νοημοσύνη θα βοηθήσει στη δημιουργία καλύτερων τσιπ αντί για νέους τύπους τσιπ. Τα μοντέλα παραγωγής είναι καλά με ακολουθίες βημάτων. Εάν περνάτε από την ίδια διαδικασία σχεδιασμού πολλές φορές, η τεχνητή νοημοσύνη μπορεί να βελτιστοποιήσει/αυτοματοποιήσει αυτές τις ακολουθίες καλύτερα από εμάς. Επιπλέον, οι μέθοδοι παραγωγής μπορεί να μας βοηθήσουν να δημιουργήσουμε νέα είδη τσιπ τεχνητής νοημοσύνης, τα οποία θα μπορούσαν να είναι ενδιαφέροντα επειδή συνειδητοποιούμε ότι όλο και περισσότερα προβλήματα μπορούν να αναδιατυπωθούν ως προβλήματα τεχνητής νοημοσύνης.

Μια άλλη ενδιαφέρουσα περιοχή είναι η σχεδίαση πολλαπλών καλουπιών. Αυτός είναι ένας νέος τομέας ακόμη και για ειδικούς στο σχεδιασμό. Σήμερα, σκεφτόμαστε μπλοκ chiplet με διεπαφές κατασκευασμένες ως προκαθορισμένα κομμάτια Lego. Το Generative AI μπορεί να προτείνει νέους τρόπους για να ξεκλειδώσετε καλύτερες βελτιστοποιήσεις, παρέχοντας διαφορετικές απαντήσεις από αυτές που θα μπορούσαν να βρουν γρήγορα ακόμη και οι ειδικοί.

Παγίδες

Ποιες είναι οι πιθανές παγίδες της εφαρμογής της γενετικής τεχνητής νοημοσύνης στο σχεδιασμό τσιπ ή/και συστημάτων; Εμείς οι ίδιοι αντιπροσωπεύουμε ένα πρόβλημα. Εάν η τεχνητή νοημοσύνη κάνει καλή δουλειά, αρχίζετε να την εμπιστεύεστε περισσότερο από όσο θα έπρεπε; Παρόμοια ερωτήματα απασχολούν ήδη την αυτόνομη οδήγηση και τα αυτόνομα οπλισμένα drones. Η εμπιστοσύνη είναι μια λεπτή ισορροπία. Μπορούμε να εμπιστευτούμε αλλά να επαληθεύσουμε, αλλά τότε τι γίνεται αν η επαλήθευση γίνει επίσης βασισμένη στη μάθηση για την αντιμετώπιση της πολυπλοκότητας; Όταν το AI επαλήθευσης αποδεικνύει την ορθότητα του σχεδιασμού που δημιουργείται από την τεχνητή νοημοσύνη, πού διασχίζουμε τη γραμμή μεταξύ δικαιολογημένης και αδικαιολόγητης εμπιστοσύνης;

Το ChatGPT είναι ένα προειδοποιητικό παράδειγμα. Η μεγάλη γοητεία και η μεγάλη πλάνη του ChatGPT είναι ότι μπορείτε να το ρωτήσετε οτιδήποτε. Είμαστε έκπληκτοι από τη συγκεκριμένη εξυπνάδα και από το γεγονός ότι καλύπτει τόσους πολλούς διαφορετικούς τομείς. Φαίνεται ότι το πρόβλημα της αυτόματης γενικής νοημοσύνης έχει λυθεί.

Όμως, σχεδόν όλες οι εφαρμογές του πραγματικού κόσμου θα είναι πολύ πιο στενές, κρίνονται με διαφορετικά κριτήρια από την ικανότητα να εκπλήσσεις ή να διασκεδάζεις. Στις επιχειρήσεις, τη μηχανική και άλλες εφαρμογές του πραγματικού κόσμου θα περιμένουμε υψηλή ποιότητα αποτελεσμάτων. Δεν υπάρχει αμφιβολία ότι τέτοιες εφαρμογές θα βελτιώνονται σταδιακά, αλλά αν η διαφημιστική εκστρατεία ξεπεράσει πολύ την πραγματικότητα, οι προσδοκίες θα διαψευστούν και η εμπιστοσύνη σε περαιτέρω πρόοδο θα σταματήσει.

Πιο ρεαλιστικά, μπορούμε να ενσωματώσουμε καθιερωμένες δεξιότητες σημείων σε συστήματα παραγωγής; Και πάλι ναι και όχι. Υπάρχουν ορισμένα επαυξημένα μοντέλα που είναι πολύ παραγωγικά και ικανά να χειρίζονται αριθμητική και χειραγώγηση τύπου, για παράδειγμα, το WolframAlpha που είναι ήδη ενσωματωμένο στο ChatGPT. Το WolframAlpha παρέχει συμβολικό και αριθμητικό συλλογισμό, συμπληρώνοντας την τεχνητή νοημοσύνη. Σκεφτείτε το AI ως τη διεπαφή ανθρώπου-μηχανής και την επαύξηση WolframAlpha ως τη βαθιά κατανόηση πίσω από αυτήν τη διεπαφή.

Είναι δυνατόν να παρακάμψετε την αύξηση, να μάθετε και να φορτώσετε δεξιότητες απευθείας στο AI ως ενότητες, καθώς ο Neo μπόρεσε να μάθει το King Fu στο Matrix; Πόσο τοπική είναι η αναπαράσταση τέτοιων δεξιοτήτων στα γλωσσικά μοντέλα; Δυστυχώς, ακόμη και τώρα, οι δεξιότητες που αποκτήθηκαν αντιπροσωπεύονται με βάρη στο μοντέλο και είναι παγκόσμιες. Σε αυτόν τον βαθμό, η φόρτωση μιας εκπαιδευμένης ενότητας ως επέκτασης σε μια υπάρχουσα εκπαιδευμένη πλατφόρμα δεν είναι δυνατή.

Υπάρχει ένα κάπως σχετικό ερώτημα σχετικά με την αξία της παγκόσμιας εκπαίδευσης έναντι της εκπαίδευσης μόνο εντός της εταιρείας. Η θεωρία είναι ότι εάν το ChatGPT μπορεί να κάνει τόσο καλή δουλειά με την εκπαίδευση σε ένα παγκόσμιο σύνολο δεδομένων, τότε τα εργαλεία σχεδιασμού θα πρέπει να μπορούν να κάνουν το ίδιο. Αυτή η θεωρία σκοντάφτει με δύο τρόπους. Πρώτον, τα δεδομένα σχεδιασμού που απαιτούνται για την εκπαίδευση είναι άκρως ιδιόκτητα και δεν πρέπει ποτέ να κοινοποιηθούν σε καμία περίπτωση. Η παγκόσμια εκπαίδευση φαίνεται επίσης περιττή. Οι εταιρείες EDA μπορούν να παρέχουν ένα αξιοπρεπές σημείο εκκίνησης με βάση παραδείγματα σχεδίασης που χρησιμοποιούνται συνήθως για τη βελτίωση εργαλείων που δεν είναι AI. Οι πελάτες που βασίζονται σε αυτή τη βάση, εκπαιδεύονται χρησιμοποιώντας τα δικά τους δεδομένα, αναφέρουν σημαντική βελτίωση για τους σκοπούς τους.

Δεύτερον, δεν είναι σαφές ότι η κοινή μάθηση σε πολλούς ανόμοιους τομείς σχεδιασμού θα ήταν ακόμη και ευεργετική. Κάθε εταιρεία θέλει να βελτιστοποιήσει για τα δικά της ειδικά πλεονεκτήματα, όχι μέσω μιας σούπας πολλαπλών χρήσεων «καλύτερων πρακτικών».

Ελπίζουμε για επαναχρησιμοποίηση στην τεχνητή νοημοσύνη και ανυπομονούμε

Με δεδομένες προηγούμενες απαντήσεις, έχουμε κολλήσει με μοναδικά μοντέλα για κάθε στενό τομέα; Δεν είναι ξεκάθαρο ότι μια αρχιτεκτονική μπορεί να κάνει τα πάντα, αλλά οι ανοιχτές διεπαφές θα ενθαρρύνουν ένα οικοσύστημα δυνατοτήτων, ίσως σαν μια στοίβα πρωτοκόλλου. Οι εφαρμογές θα αποκλίνουν, αλλά μπορεί να υπάρχει ακόμα πολλή κοινόχρηστη υποδομή. Επίσης, αν σκεφτούμε εφαρμογές που απαιτούν μια ακολουθία εκπαιδευμένων μοντέλων, ορισμένα από αυτά τα μοντέλα μπορεί να είναι λιγότερο ιδιόκτητα από άλλα.

Κοιτάζοντας το μέλλον, η γενετική τεχνητή νοημοσύνη είναι ένα τρένο που κινείται γρήγορα. Νέες ιδέες εμφανίζονται κάθε μήνα, ακόμα και καθημερινά, οπότε αυτό που δεν είναι δυνατό σήμερα μπορεί να γίνει δυνατό ή να λυθεί με διαφορετικό τρόπο σχετικά σύντομα. Εξακολουθούν να υπάρχουν μεγάλα ζητήματα απορρήτου σε οποιονδήποτε τομέα, ανάλογα με την εκπαίδευση σε μεγάλα σύνολα δεδομένων. Η απόδειξη ότι η μαθημένη συμπεριφορά σε τέτοιες περιπτώσεις δεν θα παραβιάζει διπλώματα ευρεσιτεχνίας ή εμπορικά μυστικά φαίνεται σαν ένα πολύ δύσκολο πρόβλημα, ίσως καλύτερα να αποφευχθεί με τον περιορισμό αυτής της εκπαίδευσης σε μη ευαίσθητες δυνατότητες.

Παρά όλες τις επιφυλάξεις, αυτός είναι ένας τομέας που πρέπει να είσαι ατρόμητος. Το Generative AI θα μεταμορφωθεί. Πρέπει να εκπαιδεύσουμε τους εαυτούς μας ώστε να αξιοποιούμε καλύτερα την τεχνητή νοημοσύνη στην καθημερινή μας ζωή. Και με τη σειρά του, εφαρμόζοντας τη μάθησή μας για να είμαστε πιο φιλόδοξοι για τη χρήση μας στις τεχνολογίες σχεδιασμού.

Μεγάλη κουβέντα. Ελπιδοφόρο, με καλές γνώσεις σχετικά με τους περιορισμούς και τις πρακτικές εφαρμογές.