Vélemények a generatív AI-ról a CadenceLIVE-n – Semiwiki

Egyes mesterséges intelligencia-álmodók szerint már majdnem ott vagyunk. Nincs többé szükségünk hardver- vagy szoftvertervező szakértőkre – csak valakire, aki megadja az alapvető követelményeket, amelyekből a teljesen megvalósított rendszertechnológiák kiesnek a másik végén. Az iparág szakértői véleménye lelkes, de kevésbé hiperbolikus. Bob O'Donnell, a TECHnalysis Research elnöke, alapítója és vezető elemzője moderált egy panelt ebben a témában a CadenceLIVE rendezvényen Rob Christy (műszaki igazgató és kiváló mérnök, Implementation – Central Engineering Systems at Arm), Prabal Dutta (elektromos mérnöki docens) részvételével. és számítástechnika, a University of California, Berkeley), Dr. Paul Cunningham (a Cadence rendszer- és ellenőrzési csoportjának vezető alelnöke és vezérigazgatója), Chris Rowen (a Cisco mérnöki alelnöke, együttműködési AI) és Igor Markov (kutatás) A Meta tudósa) – olyan emberek, akik a legtöbbünknél többet tudnak a chiptervezésről és az AI-ról. Minden paneltag értékes betekintést nyújtott. A vitát itt foglaltam össze.

A generatív mesterséges intelligencia megváltoztatja a chipek kialakítását?

A konszenzus igen és nem volt. A mesterséges intelligencia a szükséges építőelem-technológiákon felül képes automatizálni a hurokban lévő ember interakciójának nagy részét: Hely és útvonal, logikai szimuláció, áramkör szimuláció stb. lehetőségeket, mint ami a kézi feltárással lehetséges lenne.

Az AI alapvetően valószínűségi, ideális ott, ahol a valószínűségi válaszok megfelelőek (általában javulnak az alapvonalon), de nem ott, ahol a nagy pontosság kötelező (pl. kapuk szintetizálása). Ezenkívül a generatív modellek ma nagyon jók bizonyos területeken, nem feltétlenül máshol. Például nagyon nem hatékonyak a matematikai alkalmazásokban. Azt is fontos megjegyezni, hogy valójában nem készségeket sajátítanak el, hanem megtanulnak utánozni. Nincsenek mögöttes ismeretek például az elektrotechnikáról, a fizikáról vagy a matematikáról. A gyakorlati használat során bizonyos korlátozások ellensúlyozhatók erős ellenőrzéssel.

Ennek ellenére figyelemre méltó, hogy mit tudnak tenni a nyelvi alkalmazásokban. Más hatalmas tartomány-specifikus adatkészletekben, például a hálózatépítésben, a nagy modellek megtanulhatják a szerkezetet, és sok érdekes dologra következtethetnek, amelyeknek semmi közük a nyelvhez. Elképzelhetnénk szuperlineáris tanulást egyes tartományokban, ha a tanulás világméretű korpuszokkal ütközhetne, feltételezve, hogy úrrá leszünk a bonyolult IP- és adatvédelmi problémákon.

Elősegíthetik-e a generatív módszerek a készségfejlesztést?

A félvezető- és rendszertervezésben komoly tehetséghiánnyal nézünk szembe. A testület tagjai úgy vélik, hogy az AI segít a fiatalabb, kevésbé tapasztalt mérnököknek gyorsabban felgyorsulni egy tapasztaltabb teljesítményszintre. A szakértők is jobbak lesznek, több idejük lesz arra, hogy tanulmányozzák és alkalmazzák a mikroarchitektúra és megvalósítási kutatások folyamatosan bővülő határairól származó új technikákat. Ez emlékeztet arra, hogy a tanuláson alapuló módszerek segítenek a „minden tapasztalt tervező tudja” tudásban, de mindig a szakértői görbe mögött maradnak.

Lehetővé teszik az ilyen eszközök különböző típusú chipek létrehozását? A közeljövőben a mesterséges intelligencia jobb chipeket fog előállítani, nem pedig új típusú chipeket. A generatív modellek jók a lépéssorozatokkal; Ha sokszor megy át ugyanazon a tervezési folyamaton, az AI jobban tudja optimalizálni/automatizálni ezeket a sorozatokat, mint mi. Ezen túlmenően a generatív módszerek segíthetnek újfajta AI chipek felépítésében, ami azért lehet érdekes, mert rájöttünk, hogy egyre több problémát lehet AI-problémává átdolgozni.

Egy másik érdekes terület a multi-die design. Ez még a tervezési szakértők számára is új terület. Ma már előre meghatározott Lego darabokként felépített chiplet blokkokra gondolunk. A generatív mesterséges intelligencia új módszereket javasolhat a jobb optimalizálás feloldására, és más válaszokat ad, mint amit a szakértők gyorsan megtalálnának.

Buktatók

Melyek a potenciális buktatói a generatív mesterséges intelligencia alkalmazásának a chip- és/vagy rendszertervezésben? Mi magunk képviselünk egy problémát. Ha a mesterséges intelligencia jó munkát végez, kezd jobban megbízni benne, mint kellene? Hasonló kérdések már az autonóm vezetés és az autonóm fegyveres drónok esetében is aggodalomra adnak okot. A bizalom kényes egyensúly. Bízhatunk, de ellenőrizhetünk, de mi van akkor, ha az verifikáció tanulásalapúvá is válik a komplexitás kezelésére? Amikor az ellenőrző mesterséges intelligencia az AI által generált tervezés helyességét bizonyítja, hol lépjük át a határvonalat az indokolt és az indokolatlan bizalom között?

A ChatGPT egy figyelmeztető példa. A ChatGPT nagy varázsa és nagy tévedése az, hogy bármit kérdezhet tőle. Csodálkozunk a különleges okosságon és azon a tényen, hogy olyan sokféle területet lefed. Úgy tűnik, az automatikus általános intelligencia probléma megoldódott.

De szinte minden valós alkalmazás sokkal szűkebb lesz, és más kritériumok alapján ítélik meg, mint a meghökkentő vagy szórakoztatás képessége. Az üzleti, mérnöki és más valós alkalmazásokban magas színvonalú eredményeket várunk el. Kétségtelen, hogy az ilyen alkalmazások fokozatosan javulni fognak, de ha a hírverés túlságosan megelőzi a valóságot, a várakozások összeomlanak, és a további fejlesztésekbe vetett bizalom megakad.

Gyakorlatiasabban, integrálhatjuk-e a kialakult pontkészségeket a generatív rendszerekbe? Még egyszer: igen és nem. Vannak olyan kiterjesztett modellek, amelyek nagyon produktívak, és képesek kezelni az aritmetikai és képletmanipulációkat, például a WolframAlpha, amely már integrálva van a ChatGPT-vel. A WolframAlpha szimbolikus és numerikus érvelést biztosít, kiegészítve az AI-t. Gondoljon az AI-ra, mint az ember-gép interfészre, a WolframAlpha-kiegészítésre pedig az interfész mélyreható megértésére.

Lehetséges-e megkerülni a bővítést, megtanulni és modulként közvetlenül betölteni a készségeket az AI-ba, ahogy Neo meg tudta tanulni a Fu királyt a Mátrixban? Mennyire lokális az ilyen készségek megjelenítése a nyelvi modellekben? Sajnos a tanult készségek még ma is súlyokkal jelennek meg a modellben, és globálisak. Ennyiben egy betanított modul betöltése egy meglévő betanított platform kiterjesztéseként nem lehetséges.

Van egy kissé összefüggő kérdés a világméretű képzés és a csak házon belüli képzés értékével kapcsolatban. Az elmélet az, hogy ha a ChatGPT ilyen jó munkát tud végezni egy globális adatkészletre oktatva, akkor a tervezőeszközöknek is képesnek kell lenniük erre. Ez az elmélet kétféleképpen botlik meg. Először is, a képzéshez szükséges tervezési adatok erősen védettek, soha semmilyen körülmények között nem oszthatók meg. A globális képzés is szükségtelennek tűnik; Az EDA-vállalatok megfelelő kiindulási alapot nyújthatnak a nem mesterséges intelligencia eszközök finomításához rutinszerűen használt tervezési példák alapján. Az erre a bázisra építkező, saját adataik felhasználásával tréningező ügyfelek jelentős javulásról számolnak be céljaik érdekében.

Másodszor, nem világos, hogy a sok eltérő tervezési területen megosztott tanulás hasznos lenne. Minden vállalat a saját speciális előnyeire akar optimalizálni, nem pedig a „legjobb gyakorlatok” többcélú levesén keresztül.

Reméljük, hogy újra felhasználható lesz az AI-ban, és várjuk

A korábbi válaszok alapján megragadtunk az egyes szűk tartományokhoz tartozó egyedi modelleknél? Nem világos, hogy egy architektúra mindent meg tud-e csinálni, de a nyílt interfészek a képességek ökoszisztémáját ösztönzik majd, akár egy protokollverem. Az alkalmazások eltérnek egymástól, de továbbra is sok megosztott infrastruktúra lehet. Továbbá, ha olyan alkalmazásokra gondolunk, amelyek egy sor betanított modellt igényelnek, ezek közül néhány modell kevésbé védett, mint mások.

A jövőre nézve a generatív AI egy gyorsan mozgó vonat. Havonta, sőt naponta bukkannak fel új ötletek, így ami ma nem lehetséges, az viszonylag hamar lehetségessé válhat, vagy más módon megoldható. Bármely területen továbbra is komoly adatvédelmi problémák merülnek fel a széles adathalmazokon végzett képzéstől függően. Nagyon nehéz feladatnak tűnik annak bizonyítása, hogy a tanult viselkedés ilyen esetekben nem sérti a szabadalmakat vagy az üzleti titkokat, amelyet valószínűleg legjobb elkerülni, ha az ilyen képzést nem érzékeny képességekre korlátozzuk.

Minden figyelmeztetés ellenére ez egy olyan terület, ahol nem kell félni. A generatív AI transzformatív lesz. Képeznünk kell magunkat, hogy az AI-t jobban ki tudjuk használni mindennapi életünkben. Másrészt pedig a tanulást alkalmazva ambiciózusabban alkalmazzuk a tervezési technológiákban.

Remek beszéd. Reményteljes, jó rálátással a korlátokra és a gyakorlati alkalmazásokra.

Is Read:

Ízelítők a CadenceLIVE 2023-ból

Anirudh Keynote a Cadence Live-on

Petri Nets DRAM-protokollok érvényesítése. Innováció a hitelesítésben

Oszd meg ezt a bejegyzést ezen keresztül:

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
• A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
• Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
• Forrás: https://semiwiki.com/artificial-intelligence/328667-opinions-on-generative-ai-at-cadencelive/