ความคิดเห็นเกี่ยวกับ Generative AI ที่ CadenceLIVE - Semiwiki

ความคิดเห็นเกี่ยวกับ Generative AI ที่ CadenceLIVE – Semiwiki

ประทับเวลา: 18 พฤษภาคม 2023 9:00 น
โหนดต้นทาง: 2661356

ตามที่นักฝัน AI บางคนกล่าวว่าเราเกือบจะถึงจุดนั้นแล้ว เราไม่จำเป็นต้องมีผู้เชี่ยวชาญด้านการออกแบบฮาร์ดแวร์หรือซอฟต์แวร์อีกต่อไป แค่ต้องการใครสักคนเพื่อป้อนข้อกำหนดพื้นฐานซึ่งเทคโนโลยีระบบที่ตระหนักรู้อย่างครบถ้วนจะหลุดออกไปในอีกด้านหนึ่ง ความคิดเห็นของผู้เชี่ยวชาญในอุตสาหกรรมมีความกระตือรือร้นแต่มีการผ่อนผันน้อยกว่า Bob O'Donnell ประธาน ผู้ก่อตั้ง และหัวหน้านักวิเคราะห์ของ TECHnalysis Research เป็นผู้ดูแลการอภิปรายในหัวข้อนี้ที่ CadenceLIVE ร่วมกับผู้ร่วมอภิปราย Rob Christy (ผู้อำนวยการด้านเทคนิคและวิศวกรที่โดดเด่น การนำไปใช้งาน – ระบบวิศวกรรมกลางที่ Arm), Prabal Dutta (รองศาสตราจารย์ วิศวกรรมไฟฟ้า และวิทยาการคอมพิวเตอร์ที่ University of California, Berkeley), Dr. Paul Cunningham (รองประธานอาวุโสและผู้จัดการทั่วไปของกลุ่ม System & Verification ที่ Cadence), Chris Rowen (รองประธานฝ่ายวิศวกรรม, Collaboration AI ที่ Cisco) และ Igor Markov (ฝ่ายวิจัย นักวิทยาศาสตร์ที่ Meta)—ผู้ที่รู้มากกว่าพวกเราส่วนใหญ่เกี่ยวกับการออกแบบชิปและ AI ผู้ร่วมอภิปรายทุกคนนำเสนอข้อมูลเชิงลึกอันทรงคุณค่า ฉันได้สรุปการสนทนาที่นี่

ความคิดเห็นเกี่ยวกับ Generative AI

generative AI จะเปลี่ยนการออกแบบชิปหรือไม่

ฉันทามติคือใช่และไม่ใช่ AI สามารถทำให้การโต้ตอบของมนุษย์ในวงได้โดยอัตโนมัติ นอกเหนือจากเทคโนโลยี Building Block ที่จำเป็น: วางและเส้นทาง การจำลองลอจิก การจำลองวงจร ฯลฯ สิ่งนี้ช่วยให้เราสามารถสำรวจช่วงของ ทางเลือกต่างๆ เกินกว่าจะเป็นไปได้ผ่านการสำรวจด้วยตนเอง

AI มีความน่าจะเป็นโดยพื้นฐานแล้ว ซึ่งเหมาะอย่างยิ่งเมื่อคำตอบความน่าจะเป็นมีความเหมาะสม (โดยทั่วไปจะปรับปรุงบนพื้นฐาน) แต่ไม่ใช่ในกรณีที่จำเป็นต้องมีความแม่นยำสูง (เช่น ประตูสังเคราะห์) นอกจากนี้ แบบจำลองเชิงกำเนิดในปัจจุบันยังดีมากในชุดสาขาที่จำกัด ไม่จำเป็นต้องอยู่ที่อื่น ตัวอย่างเช่น พวกมันไม่มีประสิทธิภาพอย่างมากในการประยุกต์ใช้ทางคณิตศาสตร์ สิ่งสำคัญคือต้องจำไว้ว่าพวกเขาไม่ได้เรียนรู้ทักษะจริงๆ แต่เรียนรู้ที่จะเลียนแบบ ไม่มีความเข้าใจพื้นฐานเกี่ยวกับวิศวกรรมไฟฟ้า ฟิสิกส์ หรือคณิตศาสตร์ เป็นต้น ในการใช้งานจริง ข้อจำกัดบางประการอาจถูกชดเชยด้วยการตรวจสอบที่เข้มงวด

อย่างไรก็ตาม สิ่งที่พวกเขาสามารถทำได้ในแอปพลิเคชันภาษานั้นน่าทึ่งมาก ในชุดข้อมูลเฉพาะโดเมนขนาดใหญ่อื่นๆ เช่น ในระบบเครือข่าย โมเดลขนาดใหญ่สามารถเรียนรู้โครงสร้างและอนุมานสิ่งที่น่าสนใจมากมายที่ไม่เกี่ยวข้องกับภาษา คุณคงจินตนาการถึงการเรียนรู้ขั้นสูงสุดในบางโดเมนได้ หากการเรียนรู้สามารถแข่งขันกับองค์กรทั่วโลกได้ โดยสมมติว่าเราสามารถเชี่ยวชาญปัญหา IP และความเป็นส่วนตัวที่ยุ่งยากได้

วิธีการกำเนิดสามารถส่งเสริมการพัฒนาทักษะได้หรือไม่?

ในการออกแบบเซมิคอนดักเตอร์และระบบ เราเผชิญกับการขาดแคลนบุคลากรที่มีความสามารถอย่างรุนแรง ผู้อภิปรายเชื่อว่า AI จะช่วยให้วิศวกรอายุน้อยและมีประสบการณ์น้อยเร่งความเร็วไปสู่ระดับประสิทธิภาพที่มีประสบการณ์มากขึ้นได้เร็วขึ้น ผู้เชี่ยวชาญก็จะดีขึ้นเช่นกัน โดยมีเวลามากขึ้นในการศึกษาและประยุกต์เทคนิคใหม่ๆ จากการขยายขอบเขตในด้านสถาปัตยกรรมจุลภาคและการวิจัยเชิงปฏิบัติอย่างต่อเนื่อง นี่ควรเป็นเครื่องเตือนใจว่าวิธีการเรียนรู้จะช่วยให้ความรู้ "นักออกแบบที่มีประสบการณ์ทุกคนรู้" แต่จะตามหลังผู้เชี่ยวชาญเสมอ

เครื่องมือดังกล่าวจะช่วยให้เราสร้างชิปประเภทต่างๆ ได้หรือไม่ ในระยะเวลาอันใกล้นี้ AI จะช่วยผลิตชิปที่ดีขึ้นแทนที่จะเป็นชิปประเภทใหม่ แบบจำลองเชิงกำเนิดนั้นดีพร้อมลำดับขั้นตอน หากคุณกำลังผ่านกระบวนการออกแบบเดียวกันหลายครั้ง AI สามารถเพิ่มประสิทธิภาพ/ทำให้ลำดับเหล่านั้นเป็นอัตโนมัติได้ดีกว่าที่เราสามารถทำได้ นอกจากนี้ วิธีการกำเนิดอาจช่วยให้เราสร้างชิป AI ชนิดใหม่ได้ ซึ่งอาจน่าสนใจเนื่องจากเราตระหนักดีว่าปัญหาที่มากขึ้นเรื่อยๆ สามารถนำมาสร้างใหม่ให้เป็นปัญหาของ AI ได้

อีกประเด็นที่น่าสนใจคือการออกแบบแม่พิมพ์หลายตัว นี่เป็นพื้นที่ใหม่สำหรับผู้เชี่ยวชาญด้านการออกแบบ ทุกวันนี้ เรานึกถึงบล็อกชิปเล็ตที่มีส่วนต่อประสานที่สร้างขึ้นเป็นชิ้นเลโก้ที่กำหนดไว้ล่วงหน้า AI เจนเนอเรชั่นอาจแนะนำวิธีใหม่ๆ ในการปลดล็อกการเพิ่มประสิทธิภาพที่ดีขึ้น โดยให้คำตอบที่แตกต่างจากที่ผู้เชี่ยวชาญอาจพบได้อย่างรวดเร็ว

ข้อผิดพลาด

อะไรคือข้อผิดพลาดที่อาจเกิดขึ้นในการใช้ generative AI กับชิปและหรือการออกแบบระบบ? ตัวเราเองเป็นตัวแทนของปัญหาหนึ่ง ถ้า AI ทำงานได้ดี คุณเริ่มเชื่อใจมันมากกว่าที่ควรหรือไม่? คำถามที่คล้ายกันนี้เป็นข้อกังวลสำหรับการขับขี่แบบอัตโนมัติและโดรนติดอาวุธอัตโนมัติอยู่แล้ว ความไว้วางใจคือความสมดุลที่ละเอียดอ่อน เราสามารถไว้วางใจได้แต่สามารถยืนยันได้ แต่จะเกิดอะไรขึ้นถ้าการตรวจสอบกลายมาเป็นการเรียนรู้เพื่อจัดการกับความซับซ้อนด้วย? เมื่อการตรวจสอบความถูกต้องของ AI กำลังพิสูจน์ความถูกต้องของการออกแบบที่สร้างโดย AI เราจะข้ามเส้นแบ่งระหว่างความไว้วางใจที่สมเหตุสมผลและไม่สมเหตุสมผลได้อย่างไร

ChatGPT เป็นตัวอย่างที่เตือนใจ ความหลงใหลและความเข้าใจผิดที่ยิ่งใหญ่ของ ChatGPT คือคุณสามารถถามอะไรก็ได้ เราประหลาดใจกับความฉลาดที่เฉพาะเจาะจงและความจริงที่ว่ามันครอบคลุมพื้นที่ต่างๆ มากมาย รู้สึกเหมือนกับว่าปัญหาสติปัญญาทั่วไปอัตโนมัติได้รับการแก้ไขแล้ว

แต่แอปพลิเคชันในโลกแห่งความเป็นจริงเกือบทั้งหมดจะแคบกว่ามาก โดยพิจารณาจากเกณฑ์ที่แตกต่างจากความสามารถในการสร้างความประหลาดใจหรือความบันเทิง ในธุรกิจ วิศวกรรม และการใช้งานจริงอื่นๆ เราจะคาดหวังผลลัพธ์คุณภาพสูง ไม่ต้องสงสัยเลยว่าแอปพลิเคชันดังกล่าวจะพัฒนาอย่างต่อเนื่อง แต่หากกระแสเกินความเป็นจริง ความคาดหวังก็จะหมดลง และความไว้วางใจในความก้าวหน้าต่อไปก็จะหยุดชะงัก

ในทางปฏิบัติมากขึ้น เราสามารถรวมทักษะเฉพาะจุดที่กำหนดไว้เข้ากับระบบกำเนิดได้หรือไม่ อีกครั้งใช่และไม่ใช่ มีโมเดลเสริมบางโมเดลที่มีประสิทธิภาพสูงและสามารถรองรับการจัดการทางคณิตศาสตร์และสูตรได้ เช่น WolframAlpha ซึ่งรวมเข้ากับ ChatGPT แล้ว WolframAlpha ให้เหตุผลเชิงสัญลักษณ์และตัวเลข เสริม AI คิดว่า AI เป็นอินเทอร์เฟซระหว่างมนุษย์กับเครื่องจักร และ WolframAlpha augmentation เป็นความเข้าใจอย่างลึกซึ้งเบื้องหลังอินเทอร์เฟซนั้น

เป็นไปได้ไหมที่จะข้ามการเสริม เพื่อเรียนรู้และโหลดทักษะลงใน AI โดยตรงในฐานะโมดูล เนื่องจากนีโอสามารถเรียนรู้ King Fu ในเมทริกซ์ได้ การแสดงทักษะดังกล่าวในแบบจำลองภาษามีความท้องถิ่นเพียงใด น่าเสียดายที่แม้แต่ตอนนี้ ทักษะที่เรียนรู้ยังแสดงด้วยน้ำหนักในแบบจำลองและเป็นระดับโลก ในระดับนี้ การโหลดโมดูลที่ได้รับการฝึกอบรมเป็นส่วนขยายไปยังแพลตฟอร์มที่ได้รับการฝึกอบรมที่มีอยู่นั้นเป็นไปไม่ได้

มีคำถามค่อนข้างเกี่ยวข้องเกี่ยวกับคุณค่าของการฝึกอบรมทั่วโลกกับการฝึกอบรมภายในองค์กรเท่านั้น ทฤษฎีก็คือหาก ChatGPT สามารถทำงานได้ดีโดยการฝึกอบรมบนชุดข้อมูลทั่วโลก เครื่องมือออกแบบก็น่าจะทำเช่นเดียวกันได้ ทฤษฎีนี้สะดุดในสองวิธี ประการแรก ข้อมูลการออกแบบที่จำเป็นสำหรับการฝึกอบรมนั้นมีกรรมสิทธิ์สูง และห้ามแชร์ไม่ว่าในกรณีใดๆ การฝึกอบรมระดับโลกก็ดูไม่จำเป็นเช่นกัน บริษัท EDA สามารถให้จุดเริ่มต้นที่เหมาะสมตามตัวอย่างการออกแบบที่ใช้เป็นประจำในการปรับแต่งเครื่องมือที่ไม่ใช่ AI ลูกค้าที่สร้างบนฐานนั้น การฝึกอบรมโดยใช้ข้อมูลของตนเอง รายงานการปรับปรุงที่สำคัญตามวัตถุประสงค์ของพวกเขา

ประการที่สอง ไม่ชัดเจนว่าการเรียนรู้ร่วมกันในโดเมนการออกแบบที่แตกต่างกันจำนวนมากจะเป็นประโยชน์ด้วยซ้ำ แต่ละบริษัทต้องการเพิ่มประสิทธิภาพเพื่อให้ได้ข้อได้เปรียบพิเศษของตนเอง ไม่ใช่ผ่าน "แนวทางปฏิบัติที่ดีที่สุด" ที่อเนกประสงค์

หวังว่าจะนำมาใช้ใหม่ใน AI และรอคอย

จากคำตอบก่อนหน้านี้ เราติดอยู่กับโมเดลเฉพาะสำหรับแต่ละโดเมนที่แคบหรือไม่ ไม่ชัดเจนว่าสถาปัตยกรรมตัวเดียวสามารถทำทุกอย่างได้ แต่อินเทอร์เฟซแบบเปิดจะส่งเสริมระบบนิเวศของความสามารถ ซึ่งอาจเหมือนกับโปรโตคอลสแต็ก แอพจะแตกต่างกันไป แต่ยังคงมีโครงสร้างพื้นฐานที่ใช้ร่วมกันอีกมากมาย นอกจากนี้ หากเราคิดถึงแอปพลิเคชันที่ต้องใช้โมเดลที่ผ่านการฝึกอบรมตามลำดับ บางโมเดลเหล่านั้นอาจมีกรรมสิทธิ์น้อยกว่าโมเดลอื่นๆ

เมื่อมองไปข้างหน้า generative AI ก็คือรถไฟที่เคลื่อนที่เร็ว แนวคิดใหม่ๆ ปรากฏขึ้นทุกเดือนหรือทุกวัน ดังนั้นสิ่งที่เป็นไปไม่ได้ในปัจจุบันอาจเป็นไปได้หรือแก้ไขด้วยวิธีที่แตกต่างออกไปในเร็วๆ นี้ ยังคงมีปัญหาใหญ่ด้านความเป็นส่วนตัวในทุกด้าน ขึ้นอยู่กับการฝึกอบรมชุดข้อมูลที่หลากหลาย การพิสูจน์ว่าพฤติกรรมที่เรียนรู้ในกรณีดังกล่าวจะไม่ละเมิดสิทธิบัตรหรือความลับทางการค้าดูเหมือนจะเป็นปัญหาที่ยากมาก ซึ่งน่าจะหลีกเลี่ยงได้ดีที่สุดโดยการจำกัดการฝึกอบรมดังกล่าวไว้เฉพาะความสามารถที่ไม่ละเอียดอ่อน

แม้จะมีคำเตือนทั้งหมด แต่นี่เป็นพื้นที่ที่ต้องไม่เกรงกลัว Generative AI จะมีการเปลี่ยนแปลง เราต้องฝึกฝนตัวเองให้ใช้ประโยชน์จาก AI ในชีวิตประจำวันได้ดีขึ้น และในทางกลับกัน การนำการเรียนรู้ของเราไปใช้ให้เกิดความทะเยอทะยานมากขึ้นสำหรับการใช้เทคโนโลยีการออกแบบ

พูดดีมาก. มีความหวังพร้อมข้อมูลเชิงลึกที่ดีเกี่ยวกับข้อจำกัดและการใช้งานจริง

ยังอ่าน:

ข้อคิดจาก CadenceLIVE 2023

Anirudh Keynote ที่ Cadence Live

Petri Nets ตรวจสอบโปรโตคอล DRAM นวัตกรรมในการตรวจสอบ

แชร์โพสต์นี้ผ่าน:

ประทับเวลา:

เพิ่มเติมจาก กึ่งวิกิ