Mnenja o generativni AI na CadenceLIVE - Semiwiki

Ponovno objavil Platon

Spremljevalci: 0

Po mnenju nekaterih sanjačev AI smo skoraj tam. Ne bomo več potrebovali strokovnjakov za načrtovanje strojne ali programske opreme – le nekoga, ki bo vnesel osnovne zahteve, iz katerih bodo popolnoma realizirane sistemske tehnologije izpadle na drugi strani. Mnenja strokovnjakov v industriji so navdušena, a manj hiperbolična. Bob O'Donnell, predsednik, ustanovitelj in glavni analitik pri TECHnalysis Research, je moderiral panel o tej temi na CadenceLIVE z udeleženci panela Robom Christyjem (tehnični direktor in ugledni inženir, Implementation – Central Engineering Systems at Arm), Prabal Dutta (izredni profesor, elektrotehnika). in računalništvo na Univerzi v Kaliforniji, Berkeley), dr. Paul Cunningham (višji podpredsednik in generalni direktor skupine za sisteme in preverjanje pri Cadence), Chris Rowen (podpredsednik inženiringa, umetna inteligenca za sodelovanje pri Ciscu) in Igor Markov (raziskave Znanstvenik pri Meta) – ljudje, ki vedo več kot večina od nas o oblikovanju čipov in AI. Vsi panelisti so ponudili dragocene vpoglede. Tukaj sem povzel razpravo.

Mnenja o Generative AI

Ali bo generativni AI spremenil zasnovo čipov?

Soglasje je bilo da in ne. Umetna inteligenca lahko avtomatizira velik del interakcije človek v zanki poleg potrebnih tehnologij gradnikov: kraj in pot, logična simulacija, simulacija vezij itd. To nam omogoča, da raziščemo širši – morda veliko širši – obseg možnosti, kot bi jih bilo mogoče z ročnim raziskovanjem.

Umetna inteligenca je v osnovi verjetnostna, idealna tam, kjer so verjetnostni odgovori primerni (na splošno se izboljšujejo glede na osnovno vrednost), ne pa tam, kjer je obvezna visoka natančnost (npr. sintetiziranje vrat). Poleg tega so generativni modeli danes zelo dobri na omejenem naboru področij, ne nujno drugje. Zelo neučinkoviti so na primer pri matematičnih aplikacijah. Pomembno si je tudi zapomniti, da se v resnici ne učijo veščin – učijo se posnemati. Ni osnovnega razumevanja elektrotehnike, fizike ali matematike na primer. V praktični uporabi se lahko nekatere omejitve izravnajo z močnim preverjanjem.

Kljub temu je to, kar lahko naredijo v jezikovnih aplikacijah, izjemno. V drugih ogromnih naborih podatkov, specifičnih za domeno, na primer v omrežju, bi se lahko veliki modeli naučili strukture in sklepali o številnih zanimivih stvareh, ki nimajo nobene zveze z jezikom. Lahko bi si predstavljali superlinearno učenje na nekaterih področjih, če bi učenje delovalo proti svetovnim korpusom, ob predpostavki, da lahko obvladamo kočljiva vprašanja IP in zasebnosti.

Ali lahko generativne metode spodbudijo razvoj spretnosti?

Pri načrtovanju polprevodnikov in sistemov se soočamo z resnim pomanjkanjem talentov. Panelisti verjamejo, da bo umetna inteligenca mlajšim, manj izkušenim inženirjem pomagala hitreje doseči bolj izkušeno raven zmogljivosti. Tudi strokovnjaki bodo postali boljši, saj bodo imeli več časa za študij in uporabo novih tehnik iz nenehno širitve meja mikroarhitekturnih in izvedbenih raziskav. To bi moralo biti opomnik, da bodo metode, ki temeljijo na učenju, pomagale pri znanju "vsak izkušen oblikovalec ve", vendar bodo vedno zaostajale za krivuljo strokovnjakov.

Ali nam bodo takšna orodja omogočila ustvarjanje različnih vrst čipov? V bližnji prihodnosti bo umetna inteligenca pomagala narediti boljše čipe namesto novih vrst čipov. Generativni modeli so dobri z zaporedji korakov; če greste večkrat skozi isti proces načrtovanja, lahko AI ta zaporedja optimizira/avtomatizira bolje kot mi. Še več, generativne metode nam lahko pomagajo zgraditi nove vrste čipov AI, kar bi lahko bilo zanimivo, ker se zavedamo, da je vedno več težav mogoče preoblikovati v težave AI.

Drugo zanimivo področje je zasnova z več matricami. To je novo področje tudi za oblikovalske strokovnjake. Danes razmišljamo o blokih čipov z vmesniki, zgrajenimi kot vnaprej določeni kosi Lego. Generativna umetna inteligenca lahko predlaga nove načine za odklepanje boljših optimizacij, ki zagotavljajo drugačne odgovore, kot bi jih lahko hitro našli celo strokovnjaki.

Pasti

Kakšne so možne pasti uporabe generativne umetne inteligence pri načrtovanju čipov in/ali sistemov? En problem predstavljamo sami. Če umetna inteligenca dobro opravlja svoje delo, ji začnete bolj zaupati, kot bi smeli? Podobna vprašanja so že zaskrbljujoča pri avtonomni vožnji in avtonomnih dronih z orožjem. Zaupanje je občutljivo ravnotežje. Lahko zaupamo, vendar preverjamo, toda kaj potem, če preverjanje postane tudi temelječe na učenju, da se spoprimemo s kompleksnostjo? Kje prečkamo mejo med upravičenim in neupravičenim zaupanjem, ko umetna inteligenca za preverjanje dokazuje pravilnost zasnove, ustvarjene z umetno inteligenco?

ChatGPT je opozorilni primer. Velika fascinacija in velika zmota ChatGPT je, da ga lahko vprašate karkoli. Presenečeni smo nad specifično pametjo in nad dejstvom, da pokriva toliko različnih področij. Zdi se, kot da je avtomatski problem splošne inteligence rešen.

Toda skoraj vse aplikacije v resničnem svetu bodo veliko ožje, ocenjene po drugačnih merilih kot sposobnost presenetiti ali zabavati. V poslovnih, inženirskih in drugih aplikacijah v resničnem svetu pričakujemo visoko kakovost rezultatov. Nobenega dvoma ni, da se bodo takšne aplikacije postopoma izboljševale, a če bo hype preveč prehitel realnost, bodo pričakovanja razblinjena, zaupanje v nadaljnji napredek pa bo zastalo.

Ali lahko bolj pragmatično integriramo uveljavljene točkovne veščine v generativne sisteme? Še enkrat, da in ne. Obstaja nekaj razširjenih modelov, ki so zelo produktivni in sposobni obdelati aritmetiko in manipulacijo s formulami, na primer WolframAlpha, ki je že integriran s ChatGPT. WolframAlpha zagotavlja simbolno in numerično sklepanje, ki dopolnjuje AI. Zamislite si AI kot vmesnik človek-stroj in nadgradnjo WolframAlpha kot globoko razumevanje tega vmesnika.

Ali je mogoče zaobiti razširitev, se učiti in nalagati veščine neposredno v AI kot module, kot se je Neo lahko naučil King Fu v Matrixu? Kako lokalna je zastopanost teh veščin v jezikovnih modelih? Na žalost so naučene veščine v modelu celo zdaj predstavljene z utežmi in so globalne. V tem obsegu nalaganje usposobljenega modula kot razširitve obstoječe usposobljene platforme ni mogoče.

Obstaja nekoliko povezano vprašanje o vrednosti svetovnega usposabljanja v primerjavi z usposabljanjem samo v podjetju. Teorija je, da če lahko ChatGPT opravi tako dobro delo z usposabljanjem na globalnem naboru podatkov, potem bi morala biti orodja za načrtovanje sposobna storiti enako. Ta teorija se spotika na dva načina. Prvič, načrtovalni podatki, potrebni za usposabljanje, so zelo zaščiteni in jih v nobenem primeru ne smete deliti z drugimi. Tudi globalno usposabljanje se zdi nepotrebno; Podjetja EDA lahko zagotovijo spodobno izhodišče na podlagi primerov oblikovanja, ki se redno uporabljajo za izboljšanje orodij, ki niso AI. Stranke, ki gradijo na tej podlagi in se usposabljajo z lastnimi podatki, poročajo o pomembnih izboljšavah za svoje namene.

Drugič, ni jasno, ali bi bilo skupno učenje na številnih različnih področjih oblikovanja celo koristno. Vsako podjetje želi optimizirati za svoje posebne prednosti, ne z večnamensko juho »najboljših praks«.

Upam na ponovno uporabo v AI in se veselim

Ali smo glede na prejšnje odgovore obtičali z edinstvenimi modeli za vsako ozko domeno? Ni jasno, da lahko ena arhitektura naredi vse, vendar bodo odprti vmesniki spodbudili ekosistem zmogljivosti, morda kot sklad protokolov. Aplikacije se bodo razlikovale, vendar je lahko še vedno veliko skupne infrastrukture. Tudi, če pomislimo na aplikacije, ki zahtevajo zaporedje usposobljenih modelov, so lahko nekateri od teh modelov manj zaščiteni kot drugi.

Če pogledamo naprej, je generativni AI hiter vlak. Nove ideje se pojavljajo mesečno, tudi dnevno, tako da bo tisto, kar danes ni mogoče, relativno kmalu postalo mogoče ali rešeno na drugačen način. Še vedno obstajajo velike težave z zasebnostjo na katerem koli področju, odvisno od usposabljanja v širokih nizih podatkov. Dokazovanje, da naučeno vedenje v takih primerih ne bo kršilo patentov ali poslovnih skrivnosti, se zdi zelo težka težava, ki se ji je verjetno najbolje izogniti tako, da takšno usposabljanje omejite na neobčutljive zmogljivosti.

Kljub vsem zadržkom je to področje, kjer je treba biti neustrašen. Generativni AI bo transformativen. Moramo se usposobiti za boljšo uporabo umetne inteligence v vsakdanjem življenju. In posledično uporabo našega učenja, da smo bolj ambiciozni za našo uporabo v oblikovalskih tehnologijah.

Super govor. Poln upanja, z dobrim vpogledom v omejitve in praktične uporabe.