نظرات در مورد هوش مصنوعی مولد در CadenceLIVE - Semiwiki

بازنشر افلاطون

دنبال: 0

به گفته برخی از رویاپردازان هوش مصنوعی، ما تقریباً به آنجا رسیده ایم. ما دیگر نیازی به متخصصان طراحی سخت‌افزار یا نرم‌افزار نخواهیم داشت – فقط کسی که الزامات اساسی را وارد کند که فناوری‌های کاملاً شناخته‌شده سیستم از طرف دیگر خارج می‌شوند. نظرات کارشناسان در این صنعت مشتاقانه اما کمتر هذلولی هستند. Bob O'Donnell، رئیس، بنیانگذار و تحلیلگر ارشد در TECHnalysis Research پنلی را در مورد این موضوع در CadenceLIVE با اعضای پانل راب کریستی (مدیر فنی و مهندس برجسته، پیاده سازی - سیستم های مهندسی مرکزی در Arm)، پرابال دوتا (استاد، مهندسی برق) مدیریت کرد. و علوم کامپیوتر، در دانشگاه کالیفرنیا، برکلی، دکتر پل کانینگهام (معاون ارشد و مدیر کل گروه سیستم و تأیید در Cadence)، کریس روون (معاون مهندسی، هوش مصنوعی همکاری در سیسکو) و ایگور مارکوف (تحقیق) Scientist در Meta) - افرادی که بیشتر از ما در مورد طراحی تراشه و هوش مصنوعی می دانند. همه اعضای میزگرد بینش های ارزشمندی ارائه کردند. من بحث را در اینجا خلاصه کردم.

نظرات در مورد هوش مصنوعی مولد

آیا هوش مصنوعی مولد طراحی تراشه را تغییر خواهد داد؟

اجماع آری و خیر بود. هوش مصنوعی می‌تواند بسیاری از تعامل انسان در حلقه را علاوه بر فناوری‌های بلوک ساختمانی ضروری، خودکار کند: مکان و مسیر، شبیه‌سازی منطقی، شبیه‌سازی مدار، و غیره. گزینه هایی که از طریق کاوش دستی امکان پذیر است.

هوش مصنوعی اساساً احتمالی است، ایده‌آل در جایی که پاسخ‌های احتمالی مناسب هستند (به طور کلی در یک خط پایه بهبود می‌یابند) اما نه در جایی که دقت بالا اجباری است (مثلاً سنتز دروازه‌ها). علاوه بر این، مدل‌های مولد امروزه در مجموعه‌های محدودی از زمینه‌ها بسیار خوب هستند، نه لزوماً در جاهای دیگر. مثلاً در کاربردهای ریاضی بسیار ناکارآمد هستند. همچنین مهم است که به یاد داشته باشید که آنها واقعاً مهارت ها را یاد نمی گیرند - آنها یاد می گیرند که تقلید کنند. برای مثال، هیچ درک اساسی از مهندسی برق، فیزیک، یا ریاضی وجود ندارد. در استفاده عملی، برخی از محدودیت ها ممکن است با تأیید قوی جبران شوند.

گفته می شود، آنچه آنها می توانند در برنامه های کاربردی زبان انجام دهند قابل توجه است. در سایر مجموعه‌های داده‌های گسترده خاص دامنه، مانند شبکه‌سازی، مدل‌های بزرگ می‌توانند ساختار را یاد بگیرند و بسیاری از چیزهای جالب را استنباط کنند که ربطی به زبان ندارند. در صورتی که یادگیری بتواند در برابر مجامع جهانی اجرا شود، می‌توانید یادگیری فوق‌خطی را در برخی حوزه‌ها تصور کنید، با این فرض که می‌توانیم بر مسائل IP و حریم خصوصی تسلط داشته باشیم.

آیا روش های مولد می توانند رشد مهارت را تقویت کنند؟

در طراحی نیمه هادی ها و سیستم ها با کمبود جدی استعداد مواجه هستیم. اعضای هیئت بر این باورند که هوش مصنوعی به مهندسان جوان‌تر و کم‌تجربه‌تر کمک می‌کند تا سریع‌تر به سطح عملکردی با تجربه‌تر شتاب دهند. کارشناسان نیز بهتر خواهند شد و زمان بیشتری برای مطالعه و استفاده از تکنیک های جدید از مرزهای دائماً در حال گسترش در تحقیقات ریزمعماری و پیاده سازی خواهند داشت. این باید یادآوری باشد که روش‌های مبتنی بر یادگیری به دانش «هر طراح با تجربه می‌دانند» کمک می‌کنند، اما همیشه پشت منحنی متخصص خواهند بود.

آیا چنین ابزارهایی به ما امکان ایجاد انواع مختلف تراشه را می دهند؟ در کوتاه مدت، هوش مصنوعی به ساخت تراشه های بهتر به جای انواع جدید تراشه ها کمک خواهد کرد. مدل های مولد با توالی مراحل خوب هستند. اگر چندین بار فرآیند طراحی یکسانی را طی می کنید، هوش مصنوعی می تواند بهتر از ما آن توالی ها را بهینه یا خودکار کند. علاوه بر این، روش‌های مولد ممکن است به ما کمک کنند تا انواع جدیدی از تراشه‌های هوش مصنوعی بسازیم، که می‌تواند جالب باشد زیرا متوجه می‌شویم که مشکلات بیشتر و بیشتری می‌توانند به عنوان مشکلات هوش مصنوعی بازنویسی شوند.

یکی دیگر از زمینه های جالب طراحی چند قالب است. این یک حوزه جدید حتی برای کارشناسان طراحی است. امروزه، ما به بلوک های چیپلت با رابط های ساخته شده به عنوان قطعات لگو از پیش تعیین شده فکر می کنیم. هوش مصنوعی مولد ممکن است راه‌های جدیدی را برای باز کردن قفل بهینه‌سازی‌های بهتر پیشنهاد کند و پاسخ‌های متفاوتی از آنچه که حتی کارشناسان به سرعت پیدا می‌کنند، ارائه دهد.

مشکلات

مشکلات احتمالی استفاده از هوش مصنوعی مولد در طراحی تراشه و یا سیستم چیست؟ ما خودمان نماینده یک مشکل هستیم. اگر هوش مصنوعی کار خود را به خوبی انجام می دهد، آیا بیشتر از آنچه باید به آن اعتماد می کنید؟ سوالات مشابه در حال حاضر برای رانندگی خودران و پهپادهای تسلیحاتی مستقل نگران کننده است. اعتماد یک تعادل ظریف است. می‌توانیم اعتماد کنیم اما تأیید کنیم، اما اگر تأیید برای مقابله با پیچیدگی‌ها نیز مبتنی بر یادگیری شود، چه؟ هنگامی که هوش مصنوعی تأیید صحت طراحی ایجاد شده توسط هوش مصنوعی را اثبات می کند، مرز بین اعتماد موجه و ناموجه را کجا رد می کنیم؟

ChatGPT یک مثال هشدار دهنده است. جذابیت بزرگ و اشتباه بزرگ ChatGPT این است که می توانید هر چیزی را از آن بپرسید. ما از هوشمندی خاص و این واقعیت که حوزه های مختلف زیادی را پوشش می دهد شگفت زده شده ایم. به نظر می رسد مشکل هوش عمومی خودکار حل شده است.

اما تقریباً همه برنامه‌های کاربردی دنیای واقعی بسیار محدودتر خواهند بود و بر اساس معیارهای متفاوتی نسبت به توانایی متحیر کردن یا سرگرم کردن قضاوت می‌شوند. در کسب و کار، مهندسی و دیگر برنامه های کاربردی دنیای واقعی، ما انتظار کیفیت بالایی از نتایج را خواهیم داشت. شکی نیست که چنین برنامه هایی به تدریج بهبود می یابند، اما اگر تبلیغات بیش از حد از واقعیت جلوتر باشد، انتظارات از بین خواهد رفت و اعتماد به پیشرفت های بیشتر متوقف خواهد شد.

به طور عملگرایانه تر، آیا می توانیم مهارت های نقطه ثابت را در سیستم های مولد ادغام کنیم؟ باز هم بله و نه. برخی از مدل‌های تقویت‌شده وجود دارند که بسیار سازنده هستند و می‌توانند محاسبات و دستکاری فرمول را مدیریت کنند، برای مثال WolframAlpha که قبلاً با ChatGPT یکپارچه شده است. WolframAlpha استدلال نمادین و عددی را ارائه می دهد که مکمل هوش مصنوعی است. هوش مصنوعی را به عنوان رابط انسان و ماشین و تقویت WolframAlpha به عنوان درک عمیق پشت آن رابط در نظر بگیرید.

آیا می توان از تقویت، یادگیری و بارگذاری مهارت ها به طور مستقیم در هوش مصنوعی به عنوان ماژول هایی که Neo توانست King Fu را در ماتریکس یاد بگیرد، عبور کرد؟ بازنمایی چنین مهارت هایی در مدل های زبانی چقدر محلی است؟ متأسفانه، حتی در حال حاضر، مهارت های آموخته شده با وزن در مدل نشان داده می شوند و جهانی هستند. تا این حد، بارگذاری یک ماژول آموزش‌دیده به‌عنوان یک افزونه در یک پلت فرم آموزش‌دیده موجود امکان‌پذیر نیست.

یک سوال تا حدودی مرتبط در مورد ارزش آموزش در سراسر جهان در مقابل آموزش فقط در خانه وجود دارد. تئوری این است که اگر ChatGPT بتواند چنین کار خوبی را با آموزش بر روی یک مجموعه داده جهانی انجام دهد، ابزارهای طراحی نیز باید بتوانند همین کار را انجام دهند. این نظریه از دو جهت دچار لغزش می شود. اولاً، داده‌های طراحی مورد نیاز برای آموزش بسیار اختصاصی هستند و هرگز تحت هیچ شرایطی به اشتراک گذاشته نمی‌شوند. آموزش جهانی نیز غیر ضروری به نظر می رسد. شرکت‌های EDA می‌توانند نقطه شروع مناسبی بر اساس نمونه‌های طراحی که به طور معمول برای اصلاح ابزارهای غیر هوش مصنوعی استفاده می‌شوند، ارائه دهند. مشتریانی که بر اساس آن پایه می‌سازند، با استفاده از داده‌های خود آموزش می‌دهند، بهبود معناداری را برای اهداف خود گزارش می‌دهند.

دوم، مشخص نیست که یادگیری مشترک در بسیاری از حوزه‌های طراحی غیرمشابه حتی سودمند باشد. هر شرکتی می خواهد برای مزایای خاص خود بهینه سازی کند، نه از طریق یک سوپ چند منظوره از "بهترین شیوه ها".

امید به استفاده مجدد در هوش مصنوعی و چشم انتظاری

با توجه به پاسخ‌های قبلی، آیا مدل‌های منحصربه‌فرد برای هر دامنه باریک گیر کرده‌ایم؟ مشخص نیست که یک معماری بتواند همه چیز را انجام دهد، اما رابط های باز اکوسیستمی از قابلیت ها را تشویق می کنند، شاید مانند یک پشته پروتکل. برنامه‌ها از هم جدا می‌شوند، اما هنوز هم می‌تواند زیرساخت‌های مشترک زیادی وجود داشته باشد. همچنین، اگر به برنامه‌هایی فکر کنیم که به دنباله‌ای از مدل‌های آموزش‌دیده نیاز دارند، ممکن است برخی از آن مدل‌ها نسبت به بقیه کمتر اختصاصی باشند.

با نگاه به آینده، هوش مصنوعی مولد قطاری است که به سرعت در حال حرکت است. ایده های جدید ماهانه و حتی روزانه ظاهر می شوند، بنابراین آنچه امروز امکان پذیر نیست ممکن است نسبتاً به زودی به روشی متفاوت امکان پذیر شود یا حل شود. بسته به آموزش در مجموعه داده های گسترده، هنوز مسائل بزرگی در خصوص حفظ حریم خصوصی در هر زمینه ای وجود دارد. اثبات اینکه رفتار آموخته‌شده در چنین مواردی، حق ثبت اختراع یا اسرار تجاری را نقض نمی‌کند، مشکل بسیار سختی به نظر می‌رسد، که احتمالاً بهتر است با محدود کردن چنین آموزش‌هایی به قابلیت‌های غیر حساس اجتناب شود.

علیرغم تمام اخطارها، این منطقه ای است که باید نترس بود. هوش مصنوعی مولد متحول کننده خواهد بود. ما باید خودمان را برای استفاده بهتر از هوش مصنوعی در زندگی روزمره خود آموزش دهیم. و به نوبه خود، از یادگیری خود برای جاه طلبی بیشتر برای استفاده در فن آوری های طراحی استفاده می کنیم.

صحبت عالی امیدوار، با بینش خوبی در مورد محدودیت ها و کاربردهای عملی.