Mielipiteitä generatiivisesta tekoälystä CadenceLIVEssä - Semiwiki

Julkaissut Platon

seuraajia: 0

Joidenkin tekoälyn haaveilijoiden mukaan olemme melkein perillä. Emme enää tarvitse laitteisto- tai ohjelmistosuunnitteluasiantuntijoita – vain jonkun, joka syöttää perusvaatimukset, joista täysin toteutetut järjestelmätekniikat jäävät pois toisesta päästä. Alan asiantuntijalausunnot ovat innostuneita, mutta vähemmän hyperbolisia. Bob O'Donnell, TECHnalysis Researchin presidentti, perustaja ja pääanalyytikko moderaattorina tästä aiheesta paneelia CadenceLIVEssä panelistien Rob Christyn (tekninen johtaja ja arvostettu insinööri, toteutus – Central Engineering Systems at Arm), Prabal Dutta (apulaisprofessori, sähkötekniikka) kanssa. ja tietojenkäsittelytieteet Kalifornian yliopistosta, Berkeley, tohtori Paul Cunningham (Cadencen System & Verification Groupin johtaja ja pääjohtaja), Chris Rowen (Ciscon tekniikan johtaja, Collaboration AI) ja Igor Markov (tutkimus). Scientist at Meta) – ihmisiä, jotka tietävät enemmän kuin useimmat meistä sirusuunnittelusta ja tekoälystä. Kaikki panelistit tarjosivat arvokkaita oivalluksia. Olen tiivistänyt keskustelun tähän.

Mielipiteitä generatiivisesta tekoälystä

Muuttaako generatiivinen tekoäly sirun suunnittelua?

Konsensus oli kyllä ja ei. Tekoäly voi automatisoida suuren osan ihmisen silmukassa tapahtuvasta vuorovaikutuksesta tarvittavien rakennuspalikkatekniikoiden lisäksi: paikka ja reitti, logiikkasimulaatio, piirisimulaatio jne. Tämän avulla voimme tutkia laajempaa – ehkä paljon laajempaa – valikoimaa vaihtoehtoja kuin olisi mahdollista manuaalisen tutkimisen avulla.

Tekoäly on pohjimmiltaan todennäköisyyspohjainen, ihanteellinen silloin, kun todennäköisyyspohjaiset vastaukset ovat sopivia (yleensä paranevat lähtötasosta), mutta ei silloin, kun korkea tarkkuus on pakollista (esim. porttien syntetisointi). Lisäksi generatiiviset mallit ovat nykyään erittäin hyviä rajatuilla aloilla, eivät välttämättä muualla. Ne ovat esimerkiksi erittäin tehottomia matemaattisissa sovelluksissa. On myös tärkeää muistaa, että he eivät todellakaan opi taitoja – he oppivat matkimaan. Esimerkiksi sähkötekniikasta, fysiikasta tai matematiikasta ei ole taustalla olevaa ymmärrystä. Käytännössä jotkin rajoitukset voidaan kumota vahvalla todennuksella.

Se, mitä he voivat tehdä kielisovelluksissa, on kuitenkin huomattavaa. Muissa massiivisissa toimialuekohtaisissa tietojoukoissa, kuten verkottumisessa, suuret mallit voisivat oppia rakenteen ja päätellä monia mielenkiintoisia asioita, joilla ei ole mitään tekemistä kielen kanssa. Voisit kuvitella superlineaarista oppimista joillakin aloilla, jos oppiminen voisi vastustaa maailmanlaajuisia korporaatioita, olettaen, että pystymme hallitsemaan vaikeita IP- ja yksityisyysongelmia.

Voivatko generatiiviset menetelmät edistää taitojen kehittymistä?

Puolijohde- ja järjestelmäsuunnittelussa meillä on vakava pula osaajista. Panelistit uskovat, että tekoäly auttaa nuorempia, vähemmän kokeneita insinöörejä kiihtymään nopeammin kokeneemmalle suoritustasolle. Myös asiantuntijat paranevat, ja he saavat enemmän aikaa opiskella ja soveltaa uusia tekniikoita jatkuvasti laajenevista mikroarkkitehtuuri- ja toteutustutkimuksen rajoista. Tämän pitäisi olla muistutus siitä, että oppimiseen perustuvat menetelmät auttavat "jokainen kokenut suunnittelija tietää" -tiedon, mutta ovat aina asiantuntijakäyrän takana.

Voivatko tällaiset työkalut luoda erilaisia siruja? Lyhyellä aikavälillä tekoäly auttaa tekemään parempia pelimerkkejä uudentyyppisten sirujen sijaan. Generatiiviset mallit ovat hyviä vaihesarjoilla; jos käyt läpi saman suunnitteluprosessin monta kertaa, tekoäly voi optimoida/automatisoida nuo sekvenssit paremmin kuin me pystymme. Lisäksi generatiiviset menetelmät voivat auttaa meitä rakentamaan uudenlaisia AI-siruja, mikä voi olla mielenkiintoista, koska ymmärrämme, että yhä useampia ongelmia voidaan muotoilla uudelleen tekoälyongelmiksi.

Toinen mielenkiintoinen ala on monipuikkosuunnittelu. Tämä on uusi alue jopa suunnittelun asiantuntijoille. Nykyään ajattelemme sirupalikoita, joiden käyttöliittymät on rakennettu ennalta määrätyiksi Lego-kappaleiksi. Generatiivinen tekoäly voi ehdottaa uusia tapoja avata parempia optimointeja ja tarjota erilaisia vastauksia kuin asiantuntijat voivat nopeasti löytää.

karikot

Mitkä ovat mahdolliset sudenkuopat generatiivisen tekoälyn soveltamisessa siru- ja/tai järjestelmäsuunnitteluun? Me itse edustamme yhtä ongelmaa. Jos tekoäly tekee hyvää työtä, alatko luottaa siihen enemmän kuin sinun pitäisi? Samanlaiset kysymykset ovat jo huolestuttavia autonomisen ajamisen ja autonomisten aseistettujen droonien kohdalla. Luottamus on herkkä tasapaino. Voimme luottaa, mutta todentaa, mutta entä sitten, jos todentamisesta tulee myös oppimispohjaista monimutkaisuuden käsittelemiseksi? Kun verifioiva tekoäly todistaa tekoälyn luoman suunnittelun oikeellisuuden, missä mennään perustellun ja perusteettoman luottamuksen välillä?

ChatGPT on varoittava esimerkki. ChatGPT:n suuri kiehtovuus ja suuri virhe on, että voit kysyä siltä mitä tahansa. Olemme hämmästyneitä erityisestä älykkyydestä ja siitä, että se kattaa niin monia eri alueita. Tuntuu, että automaattinen yleinen älykkyysongelma on ratkaistu.

Mutta melkein kaikki tosielämän sovellukset ovat paljon kapeampia, eri kriteerien perusteella arvioituja kuin kyky hämmästyttää tai viihdyttää. Liiketoiminnassa, suunnittelussa ja muissa tosielämän sovelluksissa odotamme korkealaatuisia tuloksia. Ei ole epäilystäkään siitä, että tällaiset sovellukset paranevat asteittain, mutta jos hype menee liian pitkälle todellisuuden edellä, odotukset romahtavat ja luottamus jatkokehitykseen pysähtyy.

Pragmaattisemmin, voimmeko integroida vakiintuneet pistetaidot generatiivisiin järjestelmiin? Jälleen kyllä ja ei. Jotkut lisätyt mallit ovat erittäin tuottavia ja pystyvät käsittelemään aritmeettista ja kaavaa, esimerkiksi WolframAlpha, joka on jo integroitu ChatGPT:hen. WolframAlpha tarjoaa symbolista ja numeerista päättelyä täydentäen tekoälyä. Ajattele tekoälyä ihmisen ja koneen välisenä käyttöliittymänä ja WolframAlpha-lisäystä tämän käyttöliittymän takana olevana syvänä ymmärryksenä.

Onko mahdollista ohittaa augmentaatio, oppia ja ladata taitoja suoraan tekoälyyn moduuleina, kuten Neo pystyi oppimaan King Fun Matrixissa? Kuinka paikallista tällaisten taitojen esitys kielimalleissa on? Valitettavasti jo nytkin mallissa opetetut taidot esitetään painoilla ja ovat globaaleja. Tässä määrin koulutetun moduulin lataaminen olemassa olevan koulutetun alustan laajennuksena ei ole mahdollista.

Maailmanlaajuisen koulutuksen arvoon verrattuna vain yrityksen sisäiseen koulutukseen liittyy jonkin verran asiaan liittyvä kysymys. Teoria on, että jos ChatGPT voi tehdä niin hyvää työtä harjoittelemalla globaalia tietojoukkoa, suunnittelutyökalujen pitäisi pystyä tekemään samoin. Tämä teoria kompastuu kahdella tavalla. Ensinnäkin koulutukseen tarvittavat suunnittelutiedot ovat erittäin yksityisiä, eikä niitä saa koskaan jakaa missään olosuhteissa. Globaali koulutus vaikuttaa myös tarpeettomalta; EDA-yritykset voivat tarjota kunnollisen lähtökohdan suunnitteluesimerkkien perusteella, joita käytetään rutiininomaisesti ei-AI-työkalujen jalostukseen. Tälle pohjalle rakentavat asiakkaat, jotka harjoittelevat omia tietojaan, raportoivat merkityksellisistä parannuksista tarkoituksiinsa.

Toiseksi on epäselvää, että jaettu oppiminen monilla erilaisilla suunnittelualoilla olisi edes hyödyllistä. Jokainen yritys haluaa optimoida omien erityisetujensa, ei "parhaiden käytäntöjen" monikäyttöisen keiton avulla.

Toivon uudelleenkäyttöä tekoälyssä ja odotan

Kun otetaan huomioon aikaisemmat vastaukset, olemmeko juuttuneet yksilöllisiin malleihin jokaiselle kapealle verkkotunnukselle? Ei ole selvää, että yksi arkkitehtuuri voi tehdä kaiken, mutta avoimet rajapinnat edistävät kykyekosysteemiä, ehkä protokollapinon tapaan. Sovellukset eroavat toisistaan, mutta jaettua infrastruktuuria voi silti olla paljon. Lisäksi, jos ajattelemme sovelluksia, jotka vaativat sarjan koulutettuja malleja, jotkut näistä malleista voivat olla vähemmän patentoituja kuin toiset.

Tulevaisuudessa generatiivinen tekoäly on nopeasti liikkuva juna. Uusia ideoita ilmaantuu kuukausittain, jopa päivittäin, joten se, mikä ei ole tänään mahdollista, voi suhteellisen pian tulla mahdollista tai ratkaista toisella tavalla. Millä tahansa alueella on edelleen suuria tietosuojaongelmia, jotka riippuvat laajojen tietojoukkojen harjoittelusta. Sen osoittaminen, että opittu käyttäytyminen tällaisissa tapauksissa ei loukkaa patentteja tai liikesalaisuuksia, näyttää erittäin vaikealta ongelmalta, joka luultavasti voidaan parhaiten välttää rajoittamalla koulutus ei-arkaluonteisiin ominaisuuksiin.

Kaikista varoituksista huolimatta tämä alue on peloton. Generatiivinen AI tulee olemaan transformatiivinen. Meidän on koulutettava itsemme hyödyntämään tekoälyä paremmin jokapäiväisessä elämässämme. Ja vuorostaan soveltamalla oppimistamme kunnianhimoisempaan käyttöön suunnittelutekniikoissa.

Hieno puhe. Toiveikas, hyvä käsitys rajoituksista ja käytännön sovelluksista.