According to some AI dreamers, we’re almost there. We’ll no longer need hardware or software design experts—just someone to input basic requirements from which fully realized system technologies will drop out the other end. Expert opinions in the industry are enthusiastic but less hyperbolic. Bob O’Donnell, president, founder and chief analyst at TECHnalysis Research moderated a panel on this topic at CadenceLIVE with panelists Rob Christy (Technical Director and Distinguished Engineer, Implementation – Central Engineering Systems at Arm), Prabal Dutta (Associate Professor, Electrical Engineering and Computer Sciences, at University of California, Berkeley), Dr. Paul Cunningham (Senior Vice President and General Manager of the System & Verification Group at Cadence), Chris Rowen (VP of Engineering, Collaboration AI at Cisco) and Igor Markov (Research Scientist at Meta)—people who know more than most of us about chip design and AI. All panelists offered valuable insights. I have summarized the discussion here.
Will generative AI change chip design?
The consensus was yes and no. AI can automate much of the human-in-the-loop interaction on top of necessary building block technologies: Place-and-route, logic simulation, circuit simulation, etc. This allows us to explore a broader—perhaps much broader—range of options than would be possible through manual exploration.
AI is fundamentally probabilistic, ideal where probabilistic answers are appropriate (generally improving on a baseline) but not where high precision is mandatory (e.g. synthesizing gates). Further, generative models today are very good in a limited set of fields, not necessarily elsewhere. For example, they are very inefficient in math applications. It is also important to remember that they really don’t learn skills—they learn to mimic. There is no underlying understanding of electrical engineering, physics, or math for example. In practical use, some limitations might be offset with strong verification.
That said, what they can do in language applications is remarkable. In other massive domain-specific datasets, such as in networking, large models could learn structure and infer many interesting things that have nothing to do with language. You could imagine superlinear learning in some domains if learning could run against worldwide corpora, assuming we can master thorny IP and privacy issues.
Can generative methods boost skill development?
In semiconductor and systems design, we face a serious talent shortage. Panelists believe AI will help younger, less experienced engineers accelerate quicker to a more experienced performance level. Experts will get better too, getting more time to study and apply new techniques from constantly expanding frontiers in microarchitectural and implementation research. This should be a reminder that learning-based methods will help with “every experienced designer knows” knowledge but will always be behind the expert curve.
Will such tools allow us to create different types of chips? In the near term, AI will help make better chips rather than new types of chips. Generative models are good with sequences of steps; if you are going through the same design process many times, AI can optimize/automate those sequences better than we can. Further out, generative methods may help us build new kinds of AI chips, which could be interesting because we are realizing that more and more problems can be recast as AI problems.
Another interesting area is in multi-die design. This is a new area even for design experts. Today, we think of chiplet blocks with interfaces built up as pre-determined Lego pieces. Generative AI may suggest new ways to unlock better optimizations, providing different answers than even the experts might quickly find.
ข้อผิดพลาด
What are the potential pitfalls of applying generative AI to chip and or system design? We ourselves represent one problem. If the AI is doing a good job, do you start to trust it more than you should? Similar questions are already a concern for autonomous driving and autonomous weaponized drones. Trust is a delicate balance. We can trust but verify, but then what if verification also becomes learning-based to deal with complexity? When verification AI is proving the correctness of AI-generated design, where do we cross a line between justified and unjustified trust?
ChatGPT is a cautionary example. The great fascination and the great fallacy of ChatGPT is that you can ask it anything. We’re amazed by the specific smartness and by the fact that it covers so many different areas. It feels like the automatic general intelligence problem has been solved.
But almost all real-world applications will be much narrower, judged on different criteria than an ability to amaze or entertain. In business, engineering and other real-world applications we will expect high quality of results. There’s no doubt that such applications will progressively improve, but if hype gets too far ahead of reality, expectations will be dashed, and trust in further advances will stall.
More pragmatically, can we integrate established point skills into generative systems? Again, yes and no. There are some augmented models that are very productive and able to handle arithmetic and formula manipulation, for example, WolframAlpha which is already integrated with ChatGPT. WolframAlpha provides symbolic and numerical reasoning, complementing AI. Think of AI as the human-machine interface and the WolframAlpha augmentation as the deep understanding behind that interface.
Is it possible to bypass augmentation, to learn and load skills directly into the AI as modules as Neo was able to learn King Fu in the Matrix? How local is the representation of such skills in language models? Unfortunately, even now, learned skills are represented by weights in the model and are global. To this extent, loading a trained module as an extension to an existing trained platform isn’t possible.
There is a somewhat related question around the value of worldwide training versus in-house-only training. The theory is that if ChatGPT can do such a good job by training on a global dataset, then design tools should be able to do the same. This theory stumbles in two ways. First, the design data needed for training is highly proprietary, never to be shared under any circumstances. Global training also seems unnecessary; EDA companies can provide a decent starting point based on design examples routinely used to refine non-AI tools. Customers building on that base, training using their own data, report meaningful improvement for their purposes.
Second, it is unclear that shared learning across many dissimilar design domains would even be beneficial. Each company wants to optimize for its own special advantages, not through a multi-purpose soup of “best practices”.
Hope for reuse in AI and looking forward
Given earlier answers, are we stuck with unique models for each narrow domain? It’s not clear that one architecture can do everything, but open interfaces will encourage an ecosystem of capabilities, maybe like a protocol stack. Apps will diverge, but there can still be a lot of shared infrastructure. Also, if we think of applications which require a sequence of trained models, some of those models may be less proprietary than others.
Looking forward, generative AI is a fast-moving train. New ideas are appearing monthly, even daily, so what is not possible today may become possible or solved in a different way relatively soon. There are still big issues of privacy in any area depending on training across wide datasets. Proving that learned behavior in such cases will not violate patents or trade secrets seems like a very hard problem, probably best avoided by limiting such training to non-sensitive capabilities.
Despite all the caveats, this is an area to be fearless. Generative AI will be transformative. We must train ourselves to better leverage AI in our daily lives. And in turn, applying our learning to be more ambitious for our use in design technologies.
Great talk. Hopeful, with good insights into limitations and practical applications.
ยังอ่าน:
Anirudh Keynote ที่ Cadence Live
Petri Nets ตรวจสอบโปรโตคอล DRAM นวัตกรรมในการตรวจสอบ
แชร์โพสต์นี้ผ่าน:- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตไอสตรีม. ข้อมูลอัจฉริยะ Web3 ขยายความรู้ เข้าถึงได้ที่นี่.
- การสร้างอนาคตโดย Adryenn Ashley เข้าถึงได้ที่นี่.
- ซื้อและขายหุ้นในบริษัท PRE-IPO ด้วย PREIPO® เข้าถึงได้ที่นี่.
- ที่มา: https://semiwiki.com/artificial-intelligence/328667-opinions-on-generative-ai-at-cadencelive/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- a
- ความสามารถ
- สามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- ข้าม
- ความก้าวหน้า
- ข้อได้เปรียบ
- อีกครั้ง
- กับ
- ก่อน
- AI
- ทั้งหมด
- อนุญาต
- ช่วยให้
- แล้ว
- ด้วย
- เสมอ
- ทะเยอทะยาน
- an
- นักวิเคราะห์
- และ
- คำตอบ
- ใด
- สิ่งใด
- การใช้งาน
- ใช้
- การประยุกต์ใช้
- เหมาะสม
- ปพลิเคชัน
- สถาปัตยกรรม
- เป็น
- AREA
- พื้นที่
- ARM
- รอบ
- AS
- ภาคี
- At
- เติม
- โดยอัตโนมัติ
- อัตโนมัติ
- อิสระ
- หลีกเลี่ยง
- ยอดคงเหลือ
- ฐาน
- ตาม
- baseline
- ขั้นพื้นฐาน
- BE
- เพราะ
- กลายเป็น
- จะกลายเป็น
- รับ
- หลัง
- เชื่อ
- เป็นประโยชน์
- เบิร์กลีย์
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- ใหญ่
- ปิดกั้น
- Blocks
- เมล็ดข้าว
- เพิ่ม
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- แต่
- by
- จังหวะ
- แคลิฟอร์เนีย
- CAN
- ความสามารถในการ
- กรณี
- เป็นการตักเตือน
- ส่วนกลาง
- เปลี่ยนแปลง
- ChatGPT
- หัวหน้า
- ชิป
- ชิป
- คริส
- สถานการณ์
- ซิสโก้
- ชัดเจน
- การทำงานร่วมกัน
- บริษัท
- บริษัท
- ความซับซ้อน
- คอมพิวเตอร์
- กังวล
- เอกฉันท์
- ไม่หยุดหย่อน
- ได้
- ครอบคลุม
- สร้าง
- เกณฑ์
- ข้าม
- เส้นโค้ง
- ลูกค้า
- ประจำวัน
- ข้อมูล
- ชุดข้อมูล
- จัดการ
- ลึก
- ทั้งนี้ขึ้นอยู่กับ
- ออกแบบ
- กระบวนการออกแบบ
- นักออกแบบ
- พัฒนาการ
- ต่าง
- โดยตรง
- ผู้อำนวยการ
- การสนทนา
- โดดเด่น
- แตกต่าง
- do
- การทำ
- โดเมน
- โดเมน
- Dont
- สงสัย
- การขับขี่
- โดรน
- หล่น
- e
- แต่ละ
- ก่อน
- ระบบนิเวศ
- วิศวกรรมไฟฟ้า
- ที่อื่น ๆ
- ส่งเสริม
- ปลาย
- วิศวกร
- ชั้นเยี่ยม
- วิศวกร
- ความสนุกสนาน
- กระตือรือร้น
- ที่จัดตั้งขึ้น
- ฯลฯ
- อีเธอร์ (ETH)
- แม้
- ทุกอย่าง
- ตัวอย่าง
- ตัวอย่าง
- ที่มีอยู่
- ที่ขยาย
- คาดหวัง
- ความคาดหวัง
- มีประสบการณ์
- ชำนาญ
- ผู้เชี่ยวชาญ
- การสำรวจ
- สำรวจ
- นามสกุล
- ใบหน้า
- ความจริง
- ไกล
- เคลื่อนไหวเร็ว
- สาขา
- หา
- ชื่อจริง
- สำหรับ
- สูตร
- ข้างหน้า
- ผู้สร้าง
- ราคาเริ่มต้นที่
- พรมแดน
- fu
- อย่างเต็มที่
- ลึกซึ้ง
- ต่อไป
- เกตส์
- General
- ปัญญาทั่วไป
- โดยทั่วไป
- กำเนิด
- กำเนิด AI
- ได้รับ
- ได้รับ
- เหตุการณ์ที่
- ไป
- ดี
- งานที่ดี
- ยิ่งใหญ่
- บัญชีกลุ่ม
- จัดการ
- ยาก
- ฮาร์ดแวร์
- มี
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- จุดสูง
- อย่างสูง
- มีความหวัง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- hype
- i
- ในอุดมคติ
- ความคิด
- if
- ภาพ
- การดำเนินงาน
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- ในอื่น ๆ
- อุตสาหกรรม
- ไม่มีประสิทธิภาพ
- โครงสร้างพื้นฐาน
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- อินพุต
- ข้อมูลเชิงลึก
- รวบรวม
- แบบบูรณาการ
- Intelligence
- ปฏิสัมพันธ์
- น่าสนใจ
- อินเตอร์เฟซ
- อินเตอร์เฟซ
- เข้าไป
- IP
- ปัญหา
- IT
- ITS
- การสัมภาษณ์
- jpg
- ตัดสิน
- ประเด็นสำคัญ
- พระมหากษัตริย์
- ทราบ
- ความรู้
- ภาษา
- ใหญ่
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- น้อยลง
- ชั้น
- เลฟเวอเรจ
- กดไลก์
- ข้อ จำกัด
- ถูก จำกัด
- Line
- ชีวิต
- โหลด
- โหลด
- ในประเทศ
- ตรรกะ
- อีกต่อไป
- ที่ต้องการหา
- Lot
- ทำ
- ผู้จัดการ
- จำเป็น
- การจัดการ
- คู่มือ
- หลาย
- มาก
- เจ้านาย
- คณิตศาสตร์
- มดลูก
- ความกว้างสูงสุด
- อาจ..
- มีความหมาย
- Meta
- วิธีการ
- อาจ
- แบบ
- โมเดล
- โมดูล
- โมดูล
- รายเดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- มาก
- ต้อง
- ใกล้
- จำเป็นต้อง
- จำเป็น
- จำเป็นต้อง
- จำเป็น
- NEO
- อวน
- เครือข่าย
- ไม่เคย
- ใหม่
- ไม่
- ไม่มีอะไร
- ตอนนี้
- of
- เสนอ
- ชดเชย
- on
- ONE
- เปิด
- ความคิดเห็น
- เพิ่มประสิทธิภาพ
- Options
- or
- อื่นๆ
- ผลิตภัณฑ์อื่นๆ
- ของเรา
- ตัวเรา
- ออก
- ของตนเอง
- แผง
- สิทธิบัตร
- พอล
- การปฏิบัติ
- ฟิสิกส์
- ชิ้น
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- เป็นไปได้
- โพสต์
- ที่มีศักยภาพ
- ประยุกต์
- การใช้งานจริง
- ความแม่นยำ
- ประธาน
- ความเป็นส่วนตัว
- อาจ
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- ประสิทธิผล
- ศาสตราจารย์
- ก้าวหน้า
- เป็นเจ้าของ
- โปรโตคอล
- โปรโตคอล
- ให้
- ให้
- การให้
- วัตถุประสงค์
- คุณภาพ
- คำถาม
- คำถาม
- ได้เร็วขึ้น
- อย่างรวดเร็ว
- ค่อนข้าง
- อ่าน
- โลกแห่งความจริง
- ความจริง
- ตระหนัก
- ตระหนักถึง
- จริงๆ
- ปรับแต่ง
- ที่เกี่ยวข้อง
- สัมพัทธ์
- โดดเด่น
- จำ
- รายงาน
- แสดง
- การแสดง
- เป็นตัวแทนของ
- ต้องการ
- ความต้องการ
- การวิจัย
- ผลสอบ
- นำมาใช้ใหม่
- ปล้น
- จำเจ
- วิ่ง
- กล่าวว่า
- เดียวกัน
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ดูเหมือนว่า
- สารกึ่งตัวนำ
- ระดับอาวุโส
- ลำดับ
- ร้ายแรง
- ชุด
- ที่ใช้ร่วมกัน
- ความขาดแคลน
- น่า
- คล้ายคลึงกัน
- จำลอง
- ความสามารถ
- ทักษะ
- So
- ซอฟต์แวร์
- บาง
- บางคน
- ค่อนข้าง
- ในไม่ช้า
- พิเศษ
- โดยเฉพาะ
- กอง
- เริ่มต้น
- ที่เริ่มต้น
- ขั้นตอน
- ยังคง
- แข็งแรง
- โครงสร้าง
- ศึกษา
- สะดุด
- อย่างเช่น
- แนะนำ
- ระบบ
- ระบบ
- การออกแบบระบบ
- พรสวรรค์
- คุย
- วิชาการ
- เทคนิค
- เทคโนโลยี
- ระยะ
- กว่า
- ที่
- พื้นที่
- ของพวกเขา
- แล้วก็
- ทฤษฎี
- ที่นั่น
- พวกเขา
- สิ่ง
- คิด
- นี้
- เหล่านั้น
- ตลอด
- เวลา
- ครั้ง
- ไปยัง
- ในวันนี้
- เกินไป
- เครื่องมือ
- ด้านบน
- หัวข้อ
- การค้า
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- กระแส
- วางใจ
- กลับ
- สอง
- ชนิด
- ภายใต้
- พื้นฐาน
- ความเข้าใจ
- น่าเสียดาย
- เป็นเอกลักษณ์
- มหาวิทยาลัย
- มหาวิทยาลัยแห่งแคลิฟอร์เนีย
- ปลดล็อก
- us
- ใช้
- มือสอง
- การใช้
- มีคุณค่า
- ความคุ้มค่า
- การตรวจสอบ
- ตรวจสอบ
- กับ
- มาก
- ผ่านทาง
- Vice President
- ต้องการ
- คือ
- ทาง..
- วิธี
- we
- อะไร
- ความหมายของ
- เมื่อ
- ที่
- WHO
- กว้าง
- จะ
- กับ
- ทั่วโลก
- จะ
- ใช่
- เธอ
- น้อง
- ลมทะเล