Pendapat Tentang AI Generatif Di CadenceLIVE - Semiwiki

Diterbitkan Ulang Oleh Plato

Followers: 0

Menurut beberapa pemimpi AI, kita hampir sampai. Kita tidak lagi membutuhkan pakar perancangan perangkat keras atau perangkat lunak—hanya seseorang yang dapat memasukkan persyaratan dasar yang akan membuat teknologi sistem yang terealisasi sepenuhnya akan tersingkir. Pendapat para ahli di industri ini sangat antusias namun tidak terlalu hiperbolis. Bob O'Donnell, presiden, pendiri dan kepala analis di TECHnalysis Research memoderasi panel tentang topik ini di CadenceLIVE dengan panelis Rob Christy (Direktur Teknis dan Insinyur Terhormat, Implementasi – Sistem Rekayasa Pusat di Arm), Prabal Dutta (Profesor Madya, Teknik Elektro dan Ilmu Komputer, di University of California, Berkeley), Dr. Paul Cunningham (Wakil Presiden Senior dan Manajer Umum Grup Sistem & Verifikasi di Cadence), Chris Rowen (VP Teknik, Kolaborasi AI di Cisco) dan Igor Markov (Penelitian Ilmuwan di Meta)—orang yang mengetahui lebih banyak dari kita tentang desain chip dan AI. Semua panelis memberikan wawasan yang berharga. Pembahasannya sudah saya rangkum di sini.

Pendapat tentang AI Generatif

Akankah AI generatif mengubah desain chip?

Konsensusnya adalah ya dan tidak. AI dapat mengotomatisasi sebagian besar interaksi manusia di dalam lingkaran selain teknologi-teknologi dasar yang diperlukan: tempat dan rute, simulasi logika, simulasi sirkuit, dll. Hal ini memungkinkan kita untuk menjelajahi rentang yang lebih luas—mungkin jauh lebih luas— pilihan daripada yang mungkin dilakukan melalui eksplorasi manual.

AI pada dasarnya bersifat probabilistik, ideal jika jawaban probabilistik sesuai (umumnya meningkat berdasarkan baseline) tetapi tidak ideal jika presisi tinggi diperlukan (misalnya mensintesis gerbang). Lebih jauh lagi, model generatif saat ini sangat baik dalam bidang tertentu, belum tentu di bidang lain. Misalnya, mereka sangat tidak efisien dalam penerapan matematika. Penting juga untuk diingat bahwa mereka sebenarnya tidak mempelajari keterampilan—mereka belajar meniru. Tidak ada pemahaman mendasar tentang teknik elektro, fisika, atau matematika misalnya. Dalam penggunaan praktis, beberapa keterbatasan mungkin dapat diimbangi dengan verifikasi yang kuat.

Meskipun demikian, apa yang dapat mereka lakukan dalam aplikasi bahasa sangatlah luar biasa. Dalam kumpulan data besar khusus domain lainnya, seperti dalam jaringan, model besar dapat mempelajari struktur dan menyimpulkan banyak hal menarik yang tidak ada hubungannya dengan bahasa. Anda dapat membayangkan pembelajaran superlinear di beberapa domain jika pembelajaran dapat berjalan melawan korpora di seluruh dunia, dengan asumsi kita dapat menguasai masalah IP dan privasi yang sulit.

Dapatkah metode generatif meningkatkan pengembangan keterampilan?

Dalam desain semikonduktor dan sistem, kita menghadapi kekurangan sumber daya manusia yang serius. Para panelis percaya bahwa AI akan membantu para insinyur yang lebih muda dan kurang berpengalaman untuk berakselerasi lebih cepat ke tingkat kinerja yang lebih berpengalaman. Para ahli juga akan menjadi lebih baik, mendapatkan lebih banyak waktu untuk mempelajari dan menerapkan teknik-teknik baru dari terus memperluas batasan dalam penelitian mikroarsitektur dan implementasi. Hal ini harus menjadi pengingat bahwa metode berbasis pembelajaran akan membantu pengetahuan “setiap desainer berpengalaman tahu” tetapi akan selalu berada di belakang kurva ahli.

Akankah alat tersebut memungkinkan kita membuat berbagai jenis chip? Dalam waktu dekat, AI akan membantu membuat chip yang lebih baik daripada chip jenis baru. Model generatif bagus dengan urutan langkah-langkah; jika Anda melalui proses desain yang sama berkali-kali, AI dapat mengoptimalkan/mengotomatiskan urutan tersebut lebih baik dari yang kami bisa. Lebih jauh lagi, metode generatif dapat membantu kita membangun chip AI jenis baru, yang mungkin menarik karena kita menyadari bahwa semakin banyak masalah yang dapat diubah menjadi masalah AI.

Area menarik lainnya adalah desain multi-die. Ini adalah bidang baru bahkan bagi para ahli desain. Saat ini, kami menganggap blok chiplet dengan antarmuka yang dibangun sebagai potongan Lego yang telah ditentukan sebelumnya. AI generatif mungkin menyarankan cara-cara baru untuk menghasilkan pengoptimalan yang lebih baik, dan memberikan jawaban yang berbeda dari yang mungkin dapat ditemukan dengan cepat oleh para ahli.

Jebakan

Apa saja potensi kendala dalam penerapan AI generatif pada chip dan atau desain sistem? Kami sendiri mewakili satu masalah. Jika AI berfungsi dengan baik, apakah Anda mulai memercayainya lebih dari yang seharusnya? Pertanyaan serupa sudah menjadi perhatian bagi kendaraan otonom dan drone bersenjata otonom. Kepercayaan adalah keseimbangan yang rumit. Kita bisa percaya tapi bisa memverifikasi, tapi lalu bagaimana jika verifikasi juga menjadi berbasis pembelajaran untuk menghadapi kompleksitas? Ketika verifikasi AI membuktikan kebenaran desain yang dihasilkan AI, di manakah kita melewati batas antara kepercayaan yang dapat dibenarkan dan tidak dapat dibenarkan?

ChatGPT adalah contoh peringatan. Daya tarik terbesar dan kesalahan besar ChatGPT adalah Anda dapat menanyakan apa saja. Kami kagum dengan kecerdasan spesifiknya dan fakta bahwa kecerdasan ini mencakup begitu banyak bidang berbeda. Rasanya masalah kecerdasan umum otomatis telah terpecahkan.

Namun hampir semua penerapan di dunia nyata akan jauh lebih sempit, dinilai berdasarkan kriteria yang berbeda dari kemampuan untuk memukau atau menghibur. Dalam bisnis, teknik, dan aplikasi dunia nyata lainnya, kami mengharapkan hasil berkualitas tinggi. Tidak ada keraguan bahwa aplikasi semacam itu akan semakin membaik, namun jika hype terlalu jauh dari kenyataan, ekspektasi akan pupus, dan kepercayaan terhadap kemajuan lebih lanjut akan terhenti.

Secara lebih pragmatis, bisakah kita mengintegrasikan keterampilan titik yang sudah ada ke dalam sistem generatif? Sekali lagi, ya dan tidak. Ada beberapa model augmented yang sangat produktif dan mampu menangani manipulasi aritmatika dan rumus, misalnya WolframAlpha yang sudah terintegrasi dengan ChatGPT. WolframAlpha memberikan penalaran simbolik dan numerik, melengkapi AI. Bayangkan AI sebagai antarmuka manusia-mesin dan augmentasi WolframAlpha sebagai pemahaman mendalam di balik antarmuka tersebut.

Apakah mungkin untuk melewati augmentasi, mempelajari dan memuat keterampilan langsung ke AI sebagai modul karena Neo dapat mempelajari King Fu di Matrix? Seberapa lokal representasi keterampilan tersebut dalam model bahasa? Sayangnya, bahkan saat ini, keterampilan yang dipelajari diwakili oleh bobot dalam model dan bersifat global. Sejauh ini, memuat modul terlatih sebagai ekstensi ke platform terlatih yang sudah ada tidak dimungkinkan.

Ada pertanyaan yang agak terkait seputar nilai pelatihan di seluruh dunia versus pelatihan yang hanya dilakukan di rumah saja. Teorinya adalah jika ChatGPT dapat melakukan pekerjaan sebaik itu dengan melatih kumpulan data global, maka alat desain juga harus mampu melakukan hal yang sama. Teori ini tersandung dalam dua cara. Pertama, data desain yang diperlukan untuk pelatihan bersifat eksklusif dan tidak boleh dibagikan dalam keadaan apa pun. Pelatihan global juga tampaknya tidak diperlukan; Perusahaan EDA dapat memberikan titik awal yang layak berdasarkan contoh desain yang secara rutin digunakan untuk menyempurnakan alat non-AI. Pelanggan yang membangun basis tersebut, berlatih menggunakan data mereka sendiri, melaporkan peningkatan yang berarti untuk tujuan mereka.

Kedua, tidak jelas apakah pembelajaran bersama di banyak domain desain yang berbeda akan bermanfaat. Setiap perusahaan ingin mengoptimalkan keunggulan khususnya masing-masing, bukan melalui “praktik terbaik” yang serba guna.

Harapan untuk digunakan kembali dalam AI dan melihat ke depan

Mengingat jawaban sebelumnya, apakah kita terjebak dengan model unik untuk setiap domain sempit? Tidak jelas apakah satu arsitektur dapat melakukan segalanya, namun antarmuka terbuka akan mendorong ekosistem kemampuan, mungkin seperti tumpukan protokol. Aplikasi akan berbeda-beda, namun masih terdapat banyak infrastruktur bersama. Selain itu, jika kita memikirkan aplikasi yang memerlukan rangkaian model terlatih, beberapa model tersebut mungkin kurang memiliki kepemilikan dibandingkan model lainnya.

Ke depan, AI generatif adalah kereta yang bergerak cepat. Ide-ide baru muncul setiap bulan, bahkan setiap hari, sehingga apa yang tidak mungkin dilakukan saat ini mungkin akan menjadi mungkin atau dapat diselesaikan dengan cara yang berbeda dalam waktu yang relatif singkat. Masih ada masalah privasi yang besar di area mana pun bergantung pada pelatihan di seluruh kumpulan data. Membuktikan bahwa perilaku yang dipelajari dalam kasus-kasus seperti itu tidak akan melanggar hak paten atau rahasia dagang sepertinya merupakan masalah yang sangat sulit, mungkin sebaiknya dihindari dengan membatasi pelatihan tersebut pada kemampuan yang tidak sensitif.

Terlepas dari semua peringatan tersebut, ini adalah area yang tidak boleh menimbulkan rasa takut. AI generatif akan bersifat transformatif. Kita harus melatih diri kita sendiri untuk memanfaatkan AI dengan lebih baik dalam kehidupan kita sehari-hari. Dan pada gilirannya, menerapkan pembelajaran kami menjadi lebih ambisius untuk penggunaan kami dalam teknologi desain.

Pembicaraan yang bagus. Harapan, dengan wawasan yang baik tentang keterbatasan dan penerapan praktis.