CadenceLIVE의 생성 AI에 대한 의견 - Semiwiki

플라톤에 의해 재발행

팔로워 : 0

일부 AI 몽상가들에 따르면 우리는 거의 다 왔습니다. 우리는 더 이상 하드웨어나 소프트웨어 설계 전문가가 필요하지 않습니다. 단지 완전히 실현된 시스템 기술이 다른 쪽 끝을 벗어나는 기본 요구 사항을 입력하는 사람만 있으면 됩니다. 업계 전문가의 의견은 열정적이지만 과장된 표현은 덜합니다. TECHnalytic Research의 사장이자 설립자이자 최고 분석가인 Bob O'Donnell은 패널리스트인 Rob Christy(Arm의 기술 이사 겸 고유 엔지니어, 구현 - 중앙 엔지니어링 시스템), Prabal Dutta(전기 공학 부교수)와 함께 CadenceLIVE에서 이 주제에 대한 패널을 진행했습니다. 및 컴퓨터 과학, University of California, Berkeley), Dr. Paul Cunningham(Cadence 시스템 및 검증 그룹 수석 부사장 겸 총괄 관리자), Chris Rowen(Cisco 엔지니어링, 협업 AI 부사장) 및 Igor Markov(연구 Meta의 과학자)—칩 설계와 AI에 대해 우리 대부분보다 더 많이 아는 사람들입니다. 모든 패널리스트는 귀중한 통찰력을 제공했습니다. 여기에 논의를 요약했습니다.

생성 AI에 대한 의견

생성 AI가 칩 디자인을 바꿀 것인가?

합의는 '예'와 '아니오'였습니다. AI는 필요한 빌딩 블록 기술(배치 및 경로, 논리 시뮬레이션, 회로 시뮬레이션 등) 외에도 인간-in-the-loop 상호 작용의 상당 부분을 자동화할 수 있습니다. 수동 탐색을 통해 가능한 것보다 더 많은 옵션이 있습니다.

AI는 근본적으로 확률적이며, 확률적 답변이 적절한 경우(일반적으로 기준선에서 개선) 이상적이지만 높은 정밀도가 필수인 경우(예: 게이트 합성)에서는 이상적이지 않습니다. 게다가 오늘날의 생성 모델은 제한된 분야에서만 매우 훌륭하지만 다른 분야에서는 그렇지 않습니다. 예를 들어, 수학 응용에서는 매우 비효율적입니다. 그들은 실제로 기술을 배우는 것이 아니라 흉내내는 법을 배운다는 점을 기억하는 것도 중요합니다. 예를 들어 전기 공학, 물리학 또는 수학에 대한 기본 이해가 없습니다. 실제 사용에서는 강력한 검증을 통해 일부 제한 사항을 상쇄할 수 있습니다.

그렇긴 하지만, 언어 응용 프로그램에서 그들이 할 수 있는 일은 놀랍습니다. 네트워킹과 같은 다른 대규모 도메인별 데이터 세트에서 대규모 모델은 구조를 학습하고 언어와 관련이 없는 많은 흥미로운 것들을 추론할 수 있습니다. 까다로운 IP 및 개인 정보 보호 문제를 마스터할 수 있다고 가정하고 전 세계 말뭉치에 대해 학습을 실행할 수 있다면 일부 도메인에서 초선형 학습을 상상할 수 있습니다.

생성 방법이 기술 개발을 촉진할 수 있습니까?

반도체 및 시스템 설계 분야에서는 심각한 인재 부족에 직면해 있습니다. 패널리스트들은 AI가 젊고 경험이 부족한 엔지니어가 보다 숙련된 성능 수준으로 더 빠르게 가속화하는 데 도움이 될 것이라고 믿습니다. 전문가들도 마이크로아키텍처 및 구현 연구에서 지속적으로 확장되는 영역에서 새로운 기술을 연구하고 적용하는 데 더 많은 시간을 투자하여 더 나아질 것입니다. 이는 학습 기반 방법이 "모든 숙련된 디자이너가 알고 있는" 지식을 얻는 데 도움이 되지만 항상 전문가보다 뒤처진다는 점을 상기시켜 주어야 합니다.

이러한 도구를 사용하면 다양한 유형의 칩을 만들 수 있습니까? 단기적으로 AI는 새로운 유형의 칩보다는 더 나은 칩을 만드는 데 도움이 될 것입니다. 생성 모델은 일련의 단계에 적합합니다. 동일한 설계 프로세스를 여러 번 거치는 경우 AI는 해당 시퀀스를 우리보다 더 잘 최적화/자동화할 수 있습니다. 더 나아가, 생성적 방법은 새로운 종류의 AI 칩을 구축하는 데 도움이 될 수 있습니다. 이는 점점 더 많은 문제가 AI 문제로 재구성될 수 있다는 점을 깨닫고 있기 때문에 흥미로울 수 있습니다.

또 다른 흥미로운 분야는 멀티 다이 디자인입니다. 이는 디자인 전문가에게도 새로운 영역입니다. 오늘날 우리는 미리 결정된 레고 조각으로 구성된 인터페이스를 갖춘 칩렛 블록을 생각합니다. 생성적 AI는 더 나은 최적화를 위한 새로운 방법을 제안하여 전문가조차 빨리 찾을 수 있는 것과는 다른 답변을 제공할 수 있습니다.

주의

칩이나 시스템 설계에 생성 AI를 적용할 때 잠재적인 위험은 무엇입니까? 우리는 하나의 문제를 나타냅니다. AI가 좋은 일을 하고 있다면, 당신은 그것을 필요 이상으로 신뢰하기 시작합니까? 비슷한 질문은 이미 자율 주행과 자율 무기화된 드론에 대한 우려 사항입니다. 신뢰는 섬세한 균형입니다. 우리는 신뢰하면서도 검증할 수 있지만, 검증도 복잡성을 처리하기 위해 학습 기반이 된다면 어떨까요? 검증 AI가 AI 생성 설계의 정확성을 입증할 때 정당한 신뢰와 정당하지 않은 신뢰 사이의 경계는 어디입니까?

ChatGPT는 주의할 만한 예입니다. ChatGPT의 큰 매력과 큰 오류는 무엇이든 물어볼 수 있다는 것입니다. 우리는 그 구체적인 스마트함과 그것이 매우 다양한 영역을 포괄한다는 사실에 놀랐습니다. 자동 일반 지능 문제가 해결된 것 같습니다.

그러나 거의 모든 실제 응용 프로그램은 놀라움이나 즐거움을 주는 능력보다 다른 기준으로 판단되어 훨씬 더 범위가 좁습니다. 비즈니스, 엔지니어링 및 기타 실제 응용 분야에서 우리는 높은 품질의 결과를 기대합니다. 그러한 응용 프로그램이 점진적으로 개선될 것이라는 데는 의심의 여지가 없습니다. 그러나 과대 광고가 현실보다 너무 앞서 나가면 기대는 무너지고 추가 발전에 대한 신뢰는 정체될 것입니다.

보다 실용적으로, 확립된 포인트 기술을 생성 시스템에 통합할 수 있습니까? 다시 말하지만, 그렇습니다. 매우 생산적이고 산술 및 수식 조작을 처리할 수 있는 일부 증강 모델이 있습니다. 예를 들어 이미 ChatGPT에 통합된 WolframAlpha가 있습니다. WolframAlpha는 AI를 보완하는 기호 및 수치 추론을 제공합니다. AI를 인간-기계 인터페이스로 생각하고 WolframAlpha 증강을 해당 인터페이스 뒤에 있는 깊은 이해로 생각하십시오.

네오가 매트릭스에서 푸 왕을 배울 수 있었던 것처럼 증강을 우회하고 모듈로 AI에 직접 기술을 배우고 로드하는 것이 가능합니까? 언어 모델에서 그러한 기술의 표현은 얼마나 지역적입니까? 불행하게도 지금도 학습된 기술은 모델의 가중치로 표시되며 전역적입니다. 이 정도까지는 기존 훈련된 플랫폼의 확장으로 훈련된 모듈을 로드하는 것이 불가능합니다.

전세계 교육과 사내 교육의 가치에 관해 다소 관련된 질문이 있습니다. 이론에 따르면 ChatGPT가 글로벌 데이터 세트에 대한 교육을 통해 이렇게 훌륭한 작업을 수행할 수 있다면 디자인 도구도 동일한 작업을 수행할 수 있어야 합니다. 이 이론은 두 가지 면에서 비틀거린다. 첫째, 훈련에 필요한 설계 데이터는 매우 독점적이므로 어떤 상황에서도 절대 공유될 수 없습니다. 글로벌 교육도 불필요해 보입니다. EDA 회사는 비AI 도구를 개선하는 데 일상적으로 사용되는 설계 사례를 기반으로 적절한 출발점을 제공할 수 있습니다. 이러한 기반을 바탕으로 자신의 데이터를 사용하여 교육한 고객은 자신의 목적에 맞는 의미 있는 개선을 보고합니다.

둘째, 서로 다른 여러 설계 영역에 걸쳐 학습을 공유하는 것이 도움이 될지 확실하지 않습니다. 각 회사는 "모범 사례"라는 다목적 수프를 통하지 않고 자신의 특별한 이점을 위해 최적화하기를 원합니다.

AI에서의 재사용을 희망하고 기대합니다.

이전 답변을 바탕으로 각 좁은 영역에 대해 고유한 모델을 고수하고 있습니까? 하나의 아키텍처가 모든 것을 할 수 있는지는 확실하지 않지만 개방형 인터페이스는 아마도 프로토콜 스택과 같은 기능 생태계를 장려할 것입니다. 앱은 다양해지겠지만 여전히 많은 공유 인프라가 있을 수 있습니다. 또한 일련의 학습된 모델이 필요한 애플리케이션을 생각하면 해당 모델 중 일부는 다른 모델보다 덜 독점적일 수 있습니다.

앞으로 생성 AI는 빠르게 움직이는 기차가 될 것입니다. 새로운 아이디어는 매달, 심지어 매일 나타나기 때문에 오늘은 불가능했던 일이 비교적 빨리 가능해지거나 다른 방식으로 해결될 수도 있습니다. 광범위한 데이터 세트에 대한 교육에 따라 모든 영역에서 여전히 개인 정보 보호 문제가 큽니다. 이러한 경우 학습된 행동이 특허나 영업 비밀을 위반하지 않는다는 것을 증명하는 것은 매우 어려운 문제처럼 보이며, 민감하지 않은 기능에 대한 교육을 제한함으로써 피하는 것이 가장 좋습니다.

모든 경고에도 불구하고 이것은 두려움이 없는 영역입니다. 생성 AI는 혁신을 가져올 것입니다. 우리는 일상생활에서 AI를 더 잘 활용할 수 있도록 스스로 훈련해야 합니다. 그리고 결과적으로 우리의 학습을 적용하여 디자인 기술에 더욱 야심차게 사용할 수 있습니다.

좋은 이야기입니다. 한계와 실제 적용에 대한 좋은 통찰력을 갖고 희망적입니다.