CadenceLIVE における生成 AI に関する意見 - Semiwiki

プラトン再発行

フォロワー： 0

一部の AI 夢想家によると、私たちはもうすぐそこまで来ています。ハードウェアやソフトウェアの設計専門家はもう必要ありません。完全に実現されたシステムテクノロジがもう一方の端からドロップされる、基本的な要件を入力する人だけが必要になります。業界の専門家の意見は熱心ですが、誇張的ではありません。 TECHnaracy Research の社長、創設者、主任アナリストであるボブ・オドネル氏は、CadenceLIVE でこのトピックに関するパネルの司会を務め、パネリストとしてロブ・クリスティ氏 (テクニカルディレクター兼優秀エンジニア、実装 – 中央エンジニアリングシステム)、プラバル・ダッタ氏 (電気工学准教授) を迎えました。カリフォルニア大学バークレー校でコンピュータサイエンスの博士号を取得)、Paul Cunningham 博士 (Cadence のシステムおよび検証グループの上級副社長兼ゼネラルマネージャー)、Chris Rowen (Cisco のエンジニアリング、コラボレーション AI 担当副社長)、および Igor Markov (研究) Meta の科学者) - チップ設計と AI について私たちのほとんどよりも詳しい人々。パネリスト全員が貴重な洞察を提供してくれました。ここでの議論をまとめてみました。

生成AIに関する意見

生成 AI はチップ設計を変えるでしょうか?

コンセンサスは「はい」でもあり「いいえ」でもありました。 AI は、配置配線、論理シミュレーション、回路シミュレーションなど、必要なビルディングブロックテクノロジに基づいて、人間との対話の多くを自動化できます。これにより、より広い範囲、おそらくはさらに広い範囲の研究が可能になります。手動で探索するよりもオプションが豊富です。

AI は基本的に確率的であり、確率的な答えが適切な場合 (通常はベースラインを改善する) には理想的ですが、高精度が必須の場合 (ゲートの合成など) には理想的ではありません。さらに、今日の生成モデルは、限られた分野で非常に優れており、他の分野では必ずしも優れているとは限りません。たとえば、数学アプリケーションでは非常に非効率的です。また、彼らは実際にはスキルを学ぶのではなく、模倣することを学ぶのだということを覚えておくことも重要です。たとえば、電気工学、物理学、数学などの基礎的な理解はありません。実際の使用では、いくつかの制限は強力な検証によって相殺される可能性があります。

そうは言っても、言語アプリケーションでできることは注目に値します。ネットワーキングなど、他の大規模なドメイン固有のデータセットでは、大規模なモデルが構造を学習し、言語とは関係のない多くの興味深い事柄を推測することができます。私たちが厄介な知的財産とプライバシーの問題を克服できると仮定して、世界中のコーパスに対して学習を実行できれば、一部の領域での超線形学習を想像することができます。

生成的手法はスキル開発を促進できるでしょうか?

半導体およびシステム設計では、深刻な人材不足に直面しています。パネリストは、AI によって、経験の浅い若いエンジニアがより経験豊富なパフォーマンスレベルまで迅速に加速できるようになるだろうと考えています。専門家もまた、マイクロアーキテクチャと実装の研究において絶えず拡大するフロンティアから、新しい技術を研究し、適用するためのより多くの時間を得ることができ、よりスキルアップするでしょう。これは、学習ベースの手法は「経験豊富な設計者なら誰でも知っている」知識を得るのには役立ちますが、常に専門家の後追いになるということを思い出させてくれるはずです。

このようなツールを使用すると、さまざまな種類のチップを作成できるでしょうか?短期的には、AI は新しいタイプのチップではなく、より優れたチップの製造に役立つでしょう。生成モデルは一連のステップに適しています。同じ設計プロセスを何度も繰り返す場合、AI はそれらのシーケンスを私たちよりも最適化/自動化できます。さらに将来的には、生成手法が新しい種類の AI チップの構築に役立つ可能性があります。これは、ますます多くの問題が AI 問題として作り直されることがわかってきているため、興味深いものになる可能性があります。

もう 1 つの興味深い分野は、マルチダイ設計です。これは、デザインの専門家にとっても新しい分野です。今日、私たちはインターフェースを備えたチップレットブロックを、あらかじめ決められたレゴピースとして構築すると考えています。生成 AI は、より優れた最適化を実現する新しい方法を提案し、専門家でもすぐに見つけられるものとは異なる答えを提供する可能性があります。

落とし穴

ジェネレーティブ AI をチップやシステム設計に適用する場合に潜在する落とし穴は何ですか?私たち自身が 1 つの問題を代表しています。 AI が良い仕事をしていると、必要以上に AI を信頼し始めますか?自動運転や自律兵器化されたドローンに関しても、同様の疑問がすでに懸念されている。信頼とは微妙なバランスです。信頼しても検証することはできますが、複雑さに対処するために検証も学習ベースになったらどうなるでしょうか?検証 AI が AI によって生成された設計の正しさを証明するとき、私たちは正当な信頼と不当な信頼の間の境界線をどこで越えるのでしょうか?

ChatGPT は注意が必要な例です。 ChatGPT の大きな魅力と大きな誤謬は、何でも質問できることです。私たちは、その具体的なスマートさと、非常に多くの異なる領域をカバーしているという事実に驚いています。自動一般知能の問題は解決されたように感じます。

しかし、現実世界のほとんどすべてのアプリケーションははるかに狭く、驚かせたり楽しませたりする能力とは異なる基準で判断されます。ビジネス、エンジニアリング、その他の実世界のアプリケーションでは、高品質の結果が期待されます。このようなアプリケーションが徐々に改善されることは間違いありませんが、誇大宣伝が現実よりもはるかに先を行きすぎると、期待は打ち砕かれ、さらなる進歩への信頼は失速します。

もっと実践的に言えば、確立されたポイントスキルを生成システムに統合できるでしょうか?繰り返しますが、はい、そしていいえです。非常に生産性が高く、算術演算や数式操作を処理できる拡張モデルがいくつかあります。たとえば、すでに ChatGPT と統合されている WolframAlpha です。 WolframAlphaはAIを補完する記号的および数値的推論を提供します。 AIはヒューマンマシンインターフェースであり、WolframAlpha拡張はそのインターフェースの背後にある深い理解であると考えてください。

ネオがマトリックスでキング・フーを学習できたように、拡張をバイパスしてスキルを学習し、モジュールとして AI に直接ロードすることは可能ですか?言語モデルにおけるそのようなスキルの表現はどの程度ローカルですか?残念ながら、現在でも、学習したスキルはモデル内の重みで表され、グローバルです。この点で、トレーニング済みモジュールを既存のトレーニング済みプラットフォームの拡張機能としてロードすることは不可能です。

世界規模のトレーニングと社内のみのトレーニングの価値について、多少関連する質問があります。理論的には、ChatGPT がグローバルデータセットでトレーニングすることでこれほど優れた仕事をできるのであれば、設計ツールも同じことができるはずです。この理論は 2 つの点でつまずきます。まず、トレーニングに必要な設計データは独自性が高く、いかなる状況でも共有されることはありません。グローバルトレーニングも不必要に思えます。 EDA 企業は、非 AI ツールを改良するために日常的に使用される設計例に基づいて、適切な出発点を提供できます。そのベースに基づいて構築し、独自のデータを使用してトレーニングを行っている顧客は、目的に対して有意義な改善を報告しています。

第二に、多くの異なる設計ドメインにわたる共有学習が有益であるかどうかは不明です。各企業は、「ベストプラクティス」の多目的スープを通じてではなく、独自の特別な利点に合わせて最適化したいと考えています。

AIでの再利用に期待と今後に期待

これまでの回答を踏まえると、狭い領域ごとに独自のモデルに固執しているのでしょうか? 1 つのアーキテクチャですべてを実行できるかどうかは明らかではありませんが、オープンインターフェイスは、おそらくプロトコルスタックのような機能のエコシステムを促進するでしょう。アプリは分岐しますが、依然として多くの共有インフラストラクチャが存在する可能性があります。また、一連のトレーニング済みモデルを必要とするアプリケーションについて考えると、それらのモデルの中には、他のモデルに比べて独自性が低いものもあります。

将来を見据えると、生成 AI は高速で進む列車のようなものです。新しいアイデアは毎月、場合によっては毎日登場しているため、現在不可能なことも、比較的近いうちに可能になったり、別の方法で解決される可能性があります。幅広いデータセットにわたるトレーニングに応じて、どの分野でもプライバシーに関する大きな問題が依然として存在します。このような場合に学習された行動が特許や企業秘密に違反しないことを証明することは非常に難しい問題のように思われますが、おそらくそのようなトレーニングを機密性のない機能に限定することで回避するのが最善でしょう。

あらゆる注意事項にもかかわらず、これは恐れることのない領域です。生成 AI は変革をもたらすでしょう。私たちは、日常生活で AI をより効果的に活用できるように自らを訓練する必要があります。そして今度は、私たちが学んだことを応用して、設計テクノロジーでの使用をより野心的にすることになります。

素晴らしい話です。制限と実際の応用についての優れた洞察があれば、期待が高まります。