Arvamused generatiivse AI kohta CadenceLIVE'is – Semiwiki

Taasavaldanud Platon

järgijaid: 0

Mõne AI-unistaja sõnul oleme peaaegu kohal. Me ei vaja enam riist- ega tarkvaraprojekteerimise eksperte – piisab, kui sisestada põhinõuded, millest täielikult realiseeritud süsteemitehnoloogiad teisest otsast välja langevad. Tööstuse ekspertide arvamused on entusiastlikud, kuid vähem hüperboolsed. Bob O'Donnell, TECHnalysis Researchi president, asutaja ja peaanalüütik, modereeris CadenceLIVE'is selleteemalist paneeli koos paneeliliikmetega Rob Christy (armi tehniline direktor ja tunnustatud insener, juurutamine – kesktehnika süsteemid), Prabal Dutta (elektritehnika dotsent). ja arvutiteadused, California Ülikool, Berkeley), dr Paul Cunningham (Cadence'i süsteemi- ja verifitseerimisgrupi vanem asepresident ja peadirektor), Chris Rowen (Cisco koostöö-AI inseneri asepresident) ja Igor Markov (uuringud) Meta teadlane) – inimesed, kes teavad kiibikujundusest ja tehisintellektist rohkem kui enamik meist. Kõik panelistid pakkusid väärtuslikke teadmisi. Tegin siin arutelust kokkuvõtte.

Arvamused generatiivse AI kohta

Kas generatiivne AI muudab kiibi disaini?

Üksmeel oli jah ja ei. Tehisintellekt suudab automatiseerida suure osa inimestevahelisest suhtlusest lisaks vajalikele ehitusplokkide tehnoloogiatele: koht ja marsruut, loogiline simulatsioon, vooluahela simulatsioon jne. See võimaldab meil uurida laiemat – võib-olla palju laiemat – valikut valikuid, kui see oleks võimalik käsitsi uurides.

AI on põhimõtteliselt tõenäosuslik, ideaalne juhul, kui tõenäosuslikud vastused on asjakohased (üldiselt paranevad lähtetasemega võrreldes), kuid mitte seal, kus kõrge täpsus on kohustuslik (nt väravate sünteesimine). Lisaks on generatiivsed mudelid tänapäeval väga head teatud valdkondades, mitte tingimata mujal. Näiteks on need matemaatikarakendustes väga ebaefektiivsed. Samuti on oluline meeles pidada, et nad tõesti ei õpi oskusi – nad õpivad matkima. Puudub näiteks elektrotehnika, füüsika või matemaatika alane arusaam. Praktikas võivad mõned piirangud kompenseerida tugeva kontrolliga.

See tähendab, et see, mida nad keelerakendustes teha suudavad, on tähelepanuväärne. Teistes tohututes domeenispetsiifilistes andmekogumites, näiteks võrgunduses, võivad suured mudelid õppida struktuuri ja järeldada palju huvitavaid asju, millel pole keelega mingit pistmist. Võite ette kujutada superlineaarset õppimist mõnes valdkonnas, kui õppimine võiks olla vastuolus ülemaailmsete korpustega, eeldades, et suudame lahendada keerulisi IP- ja privaatsusprobleeme.

Kas generatiivsed meetodid võivad oskuste arengut soodustada?

Pooljuhtide ja süsteemide projekteerimisel on meil tõsine talentide puudus. Aruteluliikmed usuvad, et tehisintellekt aitab noorematel ja vähem kogenud inseneridel kiiremini kogenuma jõudluse tasemeni jõuda. Ka eksperdid muutuvad paremaks, saades rohkem aega mikroarhitektuuri- ja rakendusuuringute pidevalt laienevatest piiridest pärit uute tehnikate uurimiseks ja rakendamiseks. See peaks olema meeldetuletus, et õppimispõhised meetodid aitavad kaasa teadmistele "iga kogenud disainer teab", kuid jäävad alati asjatundjate kõvera taha.

Kas sellised tööriistad võimaldavad meil luua erinevat tüüpi kiipe? Lähiajal aitab AI teha paremaid kiipe, mitte uut tüüpi kiipe. Generatiivsed mudelid on head sammude järjestusega; Kui te läbite sama projekteerimisprotsessi mitu korda, suudab AI neid järjestusi optimeerida/automatiseerida paremini kui meie. Lisaks võivad generatiivsed meetodid aidata meil luua uut tüüpi AI-kiipe, mis võivad olla huvitavad, kuna mõistame, et üha rohkem probleeme saab ümber sõnastada AI-probleemidena.

Veel üks huvitav valdkond on mitmest vormist koosnev disain. See on uus valdkond isegi disainiekspertide jaoks. Tänapäeval mõtleme kiibiplokkidele, mille liidesed on üles ehitatud ettemääratud Lego tükkidena. Generatiivne AI võib soovitada uusi viise paremate optimeerimiste avamiseks, pakkudes erinevaid vastuseid, kui isegi eksperdid võivad kiiresti leida.

Lõksud

Millised on potentsiaalsed lõksud generatiivse AI rakendamisel kiibi ja/või süsteemi projekteerimisel? Me ise esindame ühte probleemi. Kui tehisintellekt teeb head tööd, kas hakkate seda rohkem usaldama, kui peaksite? Sarnased küsimused tekitavad juba muret autonoomse sõidu ja autonoomsete relvastatud droonide puhul. Usaldus on õrn tasakaal. Me võime usaldada, kuid kontrollida, aga mis siis, kui kontrollimine muutub ka keerukuse lahendamiseks õppimispõhiseks? Kui verifitseeriv AI tõestab tehisintellekti loodud disaini õigsust, siis kus me ületame piiri õigustatud ja põhjendamatu usalduse vahel?

ChatGPT on hoiatav näide. ChatGPT suur võlu ja suur eksitus seisneb selles, et selle käest võib küsida kõike. Oleme hämmastunud konkreetsest nutikusest ja sellest, et see hõlmab nii palju erinevaid valdkondi. Tundub, et automaatne üldine luureprobleem on lahendatud.

Kuid peaaegu kõik reaalse maailma rakendused on palju kitsamad ja neid hinnatakse erinevate kriteeriumide alusel kui võime hämmastada või meelt lahutada. Äri-, inseneri- ja muudes reaalsetes rakendustes ootame tulemuste kõrget kvaliteeti. Pole kahtlust, et sellised rakendused paranevad järk-järgult, kuid kui hüpe läheb reaalsusest liiga kaugele ette, purunevad ootused ja usaldus edasiste edusammude vastu peatub.

Pragmaatilisemalt, kas me saame integreerida väljakujunenud punktioskused generatiivsetesse süsteemidesse? Jälle jah ja ei. Mõned täiustatud mudelid on väga produktiivsed ning suudavad aritmeetika ja valemiga manipuleerimisega hakkama saada, näiteks WolframAlpha, mis on juba ChatGPT-ga integreeritud. WolframAlpha pakub sümboolset ja numbrilist arutluskäiku, täiendades tehisintellekti. Mõelge tehisintellektile kui inimese ja masina liidesele ja WolframAlpha täiendusele kui selle liidese sügavale mõistmisele.

Kas suurendamisest on võimalik mööda minna, oskusi õppida ja otse tehisintellekti moodulitena laadida, nagu Neo suutis maatriksis King Fu-d õppida? Kui lokaalne on selliste oskuste esindatus keelemudelites? Kahjuks on ka praegu õpitud oskused mudelis kaaludega esindatud ja globaalsed. Sel määral ei ole koolitatud mooduli laadimine olemasoleva koolitatud platvormi laiendusena võimalik.

Ülemaailmse koolituse ja ainult ettevõttesisese koolituse väärtuse kohta on mõnevõrra seotud küsimus. Teooria on see, et kui ChatGPT suudab globaalset andmestikku treenides nii head tööd teha, peaksid ka disainitööriistad sama tegema. See teooria komistab kahel viisil. Esiteks on koolituseks vajalikud disainiandmed väga kaitstud ja neid ei tohi mitte mingil juhul jagada. Ülemaailmne koolitus tundub samuti ebavajalik; EDA ettevõtted võivad pakkuda korralikku lähtepunkti disaininäidete põhjal, mida tavaliselt kasutatakse mitte-AI-tööriistade täiustamiseks. Kliendid, kes toetuvad sellele baasile ja treenivad omaenda andmeid kasutades, teatavad oma eesmärkidele olulistest edusammudest.

Teiseks on ebaselge, kas jagatud õppimine paljudes erinevates disainivaldkondades oleks isegi kasulik. Iga ettevõte soovib optimeerida oma eeliseid, mitte läbi mitmeotstarbelise "parimate tavade" supi.

Loodame AI-s taaskasutamist ja ootame edasi

Arvestades varasemaid vastuseid, kas oleme iga kitsa domeeni jaoks unikaalsete mudelitega kinni jäänud? Pole selge, kas üks arhitektuur suudab kõike, kuid avatud liidesed soodustavad võimaluste ökosüsteemi, võib-olla nagu protokollipakk. Rakendused erinevad, kuid jagatud infrastruktuuri võib siiski olla palju. Lisaks, kui mõelda rakendustele, mis nõuavad koolitatud mudelite jada, võivad mõned neist mudelitest olla vähem patenteeritud kui teised.

Tulevikku vaadates on generatiivne AI kiiresti liikuv rong. Uued ideed ilmuvad igakuiselt, isegi igapäevaselt, nii et see, mis täna pole võimalik, võib suhteliselt peagi võimalikuks saada või teisiti lahendada. Igas valdkonnas on endiselt suuri privaatsusprobleeme, mis sõltuvad suurte andmekogumite koolitusest. Tõestada, et õpitud käitumine sellistel juhtudel ei riku patente ega ärisaladusi, tundub väga raske probleem, mida on ilmselt kõige parem vältida, piirates sellist koolitust mittetundlike võimalustega.

Vaatamata kõikidele hoiatustele on see ala kartmatu. Generatiivne AI on transformatiivne. Peame end koolitama, et AI-d oma igapäevaelus paremini ära kasutada. Ja omakorda rakendame oma õpinguid ambitsioonikamaks kasutamiseks disainitehnoloogiates.

Suurepärane jutt. Lootusrikas, hea ülevaatega piirangutest ja praktilistest rakendustest.