Opinii despre IA generativă la CadenceLIVE - Semiwiki

Republicat de Platon

Urmaritori: 0

Potrivit unor visători AI, aproape am ajuns. Nu vom mai avea nevoie de experți în design hardware sau software - doar cineva care să introducă cerințele de bază din care tehnologiile de sistem realizate pe deplin vor renunța la celălalt capăt. Opiniile experților din industrie sunt entuziaste, dar mai puțin hiperbolice. Bob O'Donnell, președinte, fondator și analist șef la TECHnalysis Research a moderat un panel pe această temă la CadenceLIVE cu membrii juriului Rob Christy (director tehnic și inginer distins, implementare – Sisteme de inginerie centrale la Arm), Prabal Dutta (profesor asociat, inginerie electrică). și științe informatice, la Universitatea din California, Berkeley), dr. Paul Cunningham (vicepreședinte principal și director general al grupului de sisteme și verificare la Cadence), Chris Rowen (VP of Engineering, Collaboration AI la Cisco) și Igor Markov (cercetare) Oameni de știință la Meta) — oameni care știu mai mult decât majoritatea dintre noi despre designul de cipuri și AI. Toți participanții au oferit informații valoroase. Am rezumat discutia aici.

Opinii despre AI generativ

AI generativă va schimba designul chipului?

Consensul a fost da și nu. Inteligența artificială poate automatiza o mare parte a interacțiunii om-în-buclă pe lângă tehnologiile de bază necesare: locație și traseu, simulare logică, simulare de circuit etc. Acest lucru ne permite să explorăm o gamă mai largă - poate mult mai largă - de opțiuni decât ar fi posibile prin explorarea manuală.

AI este în mod fundamental probabilistic, ideal acolo unde răspunsurile probabilistice sunt adecvate (în general, se îmbunătățesc pe o linie de bază), dar nu acolo unde precizia ridicată este obligatorie (de exemplu, porți de sinteză). În plus, modelele generative de astăzi sunt foarte bune într-un set limitat de domenii, nu neapărat în altă parte. De exemplu, ele sunt foarte ineficiente în aplicațiile matematice. De asemenea, este important să ne amintim că ei chiar nu învață abilități, ci învață să imite. Nu există o înțelegere de bază a ingineriei electrice, fizicii sau matematicii, de exemplu. În utilizare practică, unele limitări pot fi compensate cu o verificare puternică.

Acestea fiind spuse, ceea ce pot face în aplicațiile lingvistice este remarcabil. În alte seturi de date masive specifice domeniului, cum ar fi în rețele, modelele mari ar putea învăța structura și pot deduce multe lucruri interesante care nu au nimic de-a face cu limbajul. Vă puteți imagina învățarea superliniară în unele domenii dacă învățarea ar putea rula împotriva corpurilor din întreaga lume, presupunând că putem stăpâni problemele spinoase de IP și confidențialitate.

Pot metodele generative să stimuleze dezvoltarea abilităților?

În proiectarea de semiconductori și sisteme, ne confruntăm cu o lipsă serioasă de talente. Experții cred că AI îi va ajuta pe inginerii mai tineri și mai puțin experimentați să accelereze mai repede la un nivel de performanță mai experimentat. Experții se vor îmbunătăți și ei, obținând mai mult timp pentru a studia și a aplica noi tehnici de la frontierele în continuă extindere în cercetarea microarhitecturală și de implementare. Acesta ar trebui să reamintească faptul că metodele bazate pe învățare vor ajuta cu cunoștințele „fiecare designer cu experiență știe”, dar vor fi întotdeauna în spatele curbei experților.

Ne vor permite astfel de instrumente să creăm diferite tipuri de cipuri? Pe termen scurt, AI va ajuta la crearea de cipuri mai bune, mai degrabă decât noi tipuri de cipuri. Modelele generative sunt bune cu secvențe de pași; dacă treci de multe ori prin același proces de proiectare, AI poate optimiza/automatiza acele secvențe mai bine decât putem noi. Mai departe, metodele generative ne pot ajuta să construim noi tipuri de cipuri AI, ceea ce ar putea fi interesant, deoarece realizăm că tot mai multe probleme pot fi transformate ca probleme AI.

Un alt domeniu interesant este designul cu mai multe matrițe. Acesta este un domeniu nou chiar și pentru experții în design. Astăzi, ne gândim la blocuri chiplet cu interfețe construite ca piese Lego predeterminate. Inteligența artificială generativă poate sugera noi modalități de a debloca optimizări mai bune, oferind răspunsuri diferite decât ar putea găsi rapid chiar și experții.

capcane

Care sunt potențialele capcane ale aplicării AI generative la proiectarea cipurilor și/sau a sistemului? Noi înșine reprezentăm o problemă. Dacă AI face o treabă bună, începi să ai mai multă încredere în el decât ar trebui? Întrebări similare sunt deja o preocupare pentru conducerea autonomă și dronele autonome cu arme. Încrederea este un echilibru delicat. Putem avea încredere, dar verificăm, dar atunci ce se întâmplă dacă verificarea devine, de asemenea, bazată pe învățare pentru a face față complexității? Când IA de verificare dovedește corectitudinea designului generat de IA, unde depășim granița dintre încrederea justificată și nejustificată?

ChatGPT este un exemplu de precauție. Marea fascinație și marea eroare a ChatGPT este că îl poți întreba orice. Suntem uimiți de inteligența specifică și de faptul că acoperă atât de multe domenii diferite. Se pare că problema inteligenței generale automate a fost rezolvată.

Dar aproape toate aplicațiile din lumea reală vor fi mult mai restrânse, judecate pe criterii diferite decât capacitatea de a uimi sau de a distra. În afaceri, inginerie și alte aplicații din lumea reală ne vom aștepta la o calitate înaltă a rezultatelor. Nu există nicio îndoială că astfel de aplicații se vor îmbunătăți treptat, dar dacă hype-ul ajunge prea mult înaintea realității, așteptările vor fi năruite, iar încrederea în progresele ulterioare se va bloca.

Mai pragmatic, putem integra abilitățile de puncte stabilite în sistemele generative? Din nou, da și nu. Există câteva modele augmentate care sunt foarte productive și capabile să se ocupe de manipularea aritmetică și a formulelor, de exemplu, WolframAlpha care este deja integrat cu ChatGPT. WolframAlpha oferă raționament simbolic și numeric, completând AI. Gândiți-vă la AI ca la interfața om-mașină și la creșterea WolframAlpha ca la înțelegerea profundă din spatele acelei interfețe.

Este posibil să ocoliți creșterea, să învățați și să încărcați abilitățile direct în AI ca module, deoarece Neo a putut să învețe King Fu în Matrix? Cât de locală este reprezentarea unor astfel de abilități în modelele lingvistice? Din păcate, chiar și acum, abilitățile învățate sunt reprezentate de ponderi în model și sunt globale. În această măsură, încărcarea unui modul instruit ca o extensie a unei platforme antrenate existente nu este posibilă.

Există o întrebare oarecum înrudită cu privire la valoarea formării la nivel mondial față de formarea doar internă. Teoria este că, dacă ChatGPT poate face o treabă atât de bună formându-se pe un set de date global, atunci instrumentele de proiectare ar trebui să poată face același lucru. Această teorie se poticnește în două moduri. În primul rând, datele de proiectare necesare pentru antrenament sunt foarte proprietare și nu vor fi niciodată partajate în nicio circumstanță. Instruirea globală pare, de asemenea, inutilă; Companiile EDA pot oferi un punct de plecare decent pe baza exemplelor de design utilizate în mod obișnuit pentru a perfecționa instrumentele non-AI. Clienții care se bazează pe această bază, se formează folosind propriile date, raportează îmbunătățiri semnificative pentru scopurile lor.

În al doilea rând, nu este clar că învățarea partajată în multe domenii de design diferite ar fi chiar benefică. Fiecare companie dorește să optimizeze pentru propriile sale avantaje speciale, nu printr-o supă multifuncțională de „bune practici”.

Sper să fie reutilizată în AI și aștept cu nerăbdare

Având în vedere răspunsurile anterioare, suntem blocați cu modele unice pentru fiecare domeniu îngust? Nu este clar că o arhitectură poate face totul, dar interfețele deschise vor încuraja un ecosistem de capabilități, poate ca o stivă de protocoale. Aplicațiile vor diverge, dar mai poate exista o mulțime de infrastructură partajată. De asemenea, dacă ne gândim la aplicații care necesită o secvență de modele antrenate, unele dintre aceste modele pot fi mai puțin proprietare decât altele.

Privind înainte, IA generativă este un tren cu mișcare rapidă. Ideile noi apar lunar, chiar zilnic, așa că ceea ce nu este posibil astăzi poate deveni posibil sau rezolvat într-un mod diferit relativ curând. Există încă mari probleme de confidențialitate în orice domeniu, în funcție de formarea în seturi de date largi. Demonstrarea că comportamentul învățat în astfel de cazuri nu va încălca brevetele sau secretele comerciale pare o problemă foarte grea, probabil cel mai bine evitată limitând astfel de instruire la capacități nesensibile.

În ciuda tuturor avertizărilor, aceasta este o zonă de neînfricat. AI generativă va fi transformatoare. Trebuie să ne antrenăm să folosim mai bine AI în viața noastră de zi cu zi. Și, la rândul său, aplicarea învățării noastre pentru a fi mai ambițioase pentru utilizarea noastră în tehnologiile de proiectare.

Mare discuție. Plin de speranță, cu o perspectivă bună asupra limitărilor și aplicațiilor practice.