CadenceLIVE'da Üretken Yapay Zeka Üzerine Görüşler - Semiwiki

Plato tarafından yeniden yayınlandı

İzleyiciler: 0

Bazı yapay zeka hayalperestlerine göre neredeyse oradayız. Artık donanım veya yazılım tasarımı uzmanlarına ihtiyacımız olmayacak; yalnızca tam olarak gerçekleştirilmiş sistem teknolojilerinin diğer tarafta bırakılacağı temel gereksinimleri girecek birine ihtiyacımız olacak. Sektördeki uzman görüşleri coşkulu ama daha az abartılı. TECHnalytics Research'ün başkanı, kurucusu ve baş analisti Bob O'Donnell, CadenceLIVE'da bu konuyla ilgili bir panelin moderatörlüğünü yaptı; panelistler Rob Christy (Teknik Direktör ve Seçkin Mühendis, Uygulama – Merkezi Mühendislik Sistemleri At Arm), Prabal Dutta (Doçent, Elektrik Mühendisliği) ve Bilgisayar Bilimleri, Kaliforniya Üniversitesi, Berkeley'de), Dr. Paul Cunningham (Kıdemli Başkan Yardımcısı ve Cadence Sistem ve Doğrulama Grubu Genel Müdürü), Chris Rowen (Cisco'da Mühendislik, İşbirliği Yapay Zeka Başkan Yardımcısı) ve Igor Markov (Araştırma) Meta Bilim Adamı)—çip tasarımı ve yapay zeka hakkında çoğumuzdan daha fazlasını bilen insanlar. Tüm panelistler değerli görüşler sundular. Tartışmayı burada özetledim.

Üretken Yapay Zeka Hakkında Görüşler

Üretken yapay zeka çip tasarımını değiştirecek mi?

Fikir birliği evet ve hayırdı. Yapay zeka, gerekli yapı taşı teknolojilerinin yanı sıra döngüdeki insan etkileşiminin çoğunu otomatikleştirebilir: Yer ve rota, mantık simülasyonu, devre simülasyonu vb. manuel keşifle mümkün olabilecek seçenekler.

Yapay zeka temelde olasılıksaldır; olasılıksal yanıtların uygun olduğu durumlarda idealdir (genellikle temel düzeyde gelişme gösterir), ancak yüksek hassasiyetin zorunlu olduğu durumlarda (örn. kapıların sentezlenmesi) ideal değildir. Dahası, günümüzün üretken modelleri sınırlı sayıda alanda çok iyidir; başka yerlerde olması şart değildir. Mesela matematik uygulamalarında çok verimsizler. Ayrıca aslında becerileri öğrenmediklerini, taklit etmeyi öğrendiklerini hatırlamak da önemlidir. Örneğin elektrik mühendisliği, fizik veya matematik gibi temel bir anlayış yoktur. Pratik kullanımda bazı sınırlamalar güçlü doğrulamayla dengelenebilir.

Bununla birlikte dil uygulamalarında yapabilecekleri dikkat çekicidir. Ağ oluşturma gibi diğer büyük, alana özgü veri kümelerinde, büyük modeller yapıyı öğrenebilir ve dille hiçbir ilgisi olmayan birçok ilginç şey çıkarabilir. Zorlu IP ve gizlilik sorunlarının üstesinden gelebileceğimizi varsayarak, öğrenmenin dünya çapındaki kurumlarla çelişmesi durumunda bazı alanlarda süper doğrusal öğrenmeyi hayal edebilirsiniz.

Üretken yöntemler beceri gelişimini artırabilir mi?

Yarı iletken ve sistem tasarımında ciddi bir yetenek açığıyla karşı karşıyayız. Panelistler yapay zekanın daha genç ve daha az deneyimli mühendislerin daha deneyimli bir performans seviyesine daha hızlı ulaşmalarına yardımcı olacağına inanıyor. Uzmanlar da daha iyi hale gelecek ve mikro mimari ve uygulama araştırmalarında sürekli genişleyen sınırlar sayesinde yeni teknikleri incelemek ve uygulamak için daha fazla zaman kazanacaklar. Bu, öğrenmeye dayalı yöntemlerin "her deneyimli tasarımcının bildiği" bilgi konusunda yardımcı olacağını ancak her zaman uzman eğrisinin gerisinde kalacağını hatırlatmalıdır.

Bu tür araçlar farklı türde çipler oluşturmamıza olanak tanıyacak mı? Yakın vadede yapay zeka, yeni çip türleri yerine daha iyi çiplerin üretilmesine yardımcı olacak. Üretken modeller adım dizileri açısından iyidir; Aynı tasarım sürecinden birçok kez geçiyorsanız yapay zeka bu dizileri bizden daha iyi optimize edebilir/otomatikleştirebilir. Dahası, üretken yöntemler yeni tür yapay zeka çipleri oluşturmamıza yardımcı olabilir; bu ilginç olabilir çünkü giderek daha fazla sorunun yapay zeka sorunları olarak yeniden şekillendirilebileceğinin farkına varıyoruz.

Bir başka ilginç alan ise çoklu kalıp tasarımıdır. Bu tasarım uzmanları için bile yeni bir alandır. Bugün, önceden belirlenmiş Lego parçaları olarak oluşturulmuş arayüzlere sahip chiplet bloklarını düşünüyoruz. Üretken yapay zeka, uzmanların bile hızlı bir şekilde bulabileceğinden farklı yanıtlar sunarak daha iyi optimizasyonların kilidini açmanın yeni yollarını önerebilir.

Tuzaklar

Üretken yapay zekanın çip ve/veya sistem tasarımına uygulanmasının potansiyel tuzakları nelerdir? Biz kendimiz bir sorunu temsil ediyoruz. Yapay zeka iyi bir iş çıkarıyorsa ona gereğinden fazla güvenmeye mi başlıyorsunuz? Benzer sorular otonom sürüş ve otonom silahlı dronlar için de halihazırda bir endişe kaynağı. Güven hassas bir dengedir. Güvenebiliriz ama doğrulayabiliriz, peki ya doğrulama aynı zamanda karmaşıklıkla başa çıkmak için öğrenmeye dayalı hale gelirse? Doğrulama yapay zekası, yapay zeka tarafından oluşturulan tasarımın doğruluğunu kanıtlarken, haklı ve gerekçesiz güven arasındaki çizgiyi nerede aşacağız?

ChatGPT uyarıcı bir örnektir. ChatGPT'nin en büyük cazibesi ve en büyük yanılgısı, ona her şeyi sorabilmenizdir. Spesifik akıllılığı ve pek çok farklı alanı kapsaması bizi şaşırttı. Otomatik genel istihbarat sorunu çözülmüş gibi.

Ancak neredeyse tüm gerçek dünya uygulamaları, şaşırtma veya eğlendirme yeteneğinden çok daha dar kapsamlı olacak ve farklı kriterlere göre değerlendirilecek. İşletme, mühendislik ve diğer gerçek dünya uygulamalarında yüksek kalitede sonuçlar bekliyoruz. Bu tür uygulamaların giderek gelişeceğine şüphe yok, ancak eğer heyecan gerçeğin çok ötesine geçerse beklentiler boşa çıkacak ve daha fazla ilerlemeye duyulan güven duracaktır.

Daha pragmatik olarak, yerleşik puan becerilerini üretken sistemlere entegre edebilir miyiz? Yine evet ve hayır. Oldukça üretken olan ve aritmetik ve formül işlemlerini yönetebilen bazı artırılmış modeller vardır; örneğin halihazırda ChatGPT ile entegre olan WolframAlpha. WolframAlpha, yapay zekayı tamamlayan sembolik ve sayısal akıl yürütme sağlar. Yapay zekayı insan-makine arayüzü ve WolframAlpha geliştirmesini de bu arayüzün arkasındaki derin anlayış olarak düşünün.

Neo'nun Matrix'te Kral Fu'yu öğrenebildiği gibi, güçlendirmeyi atlamak, öğrenmek ve becerileri modüller halinde doğrudan yapay zekaya yüklemek mümkün mü? Bu tür becerilerin dil modellerinde temsili ne kadar yereldir? Maalesef şu anda bile öğrenilen beceriler modeldeki ağırlıklarla temsil ediliyor ve küreseldir. Bu kapsamda, eğitimli bir modülün mevcut eğitimli bir platformun uzantısı olarak yüklenmesi mümkün değildir.

Dünya çapındaki eğitimin değeri ile yalnızca şirket içi eğitimin değeri arasında bir bakıma bununla bağlantılı bir soru var. Teoriye göre, eğer ChatGPT küresel bir veri seti üzerinde eğitim vererek bu kadar iyi bir iş yapabiliyorsa, tasarım araçlarının da aynısını yapabilmesi gerekir. Bu teori iki şekilde tökezliyor. İlk olarak, eğitim için gereken tasarım verileri son derece özeldir ve hiçbir koşulda asla paylaşılmamalıdır. Küresel eğitim de gereksiz görünüyor; EDA şirketleri, yapay zeka olmayan araçları iyileştirmek için rutin olarak kullanılan tasarım örneklerine dayanarak iyi bir başlangıç noktası sağlayabilir. Bu temel üzerine inşa edilen, kendi verilerini kullanarak eğitim veren müşteriler, amaçları doğrultusunda anlamlı gelişmeler rapor ediyor.

İkincisi, pek çok farklı tasarım alanında paylaşılan öğrenmenin faydalı olup olmayacağı bile belirsizdir. Her şirket, çok amaçlı "en iyi uygulamalar" çorbası yoluyla değil, kendi özel avantajları için optimizasyon yapmak ister.

Yapay zekada yeniden kullanım umuduyla ve ileriye dönük olarak

Daha önceki yanıtlar göz önüne alındığında, her dar alan için benzersiz modellere mi takılıp kaldık? Tek bir mimarinin her şeyi yapabileceği açık değil, ancak açık arayüzler, belki bir protokol yığını gibi, bir yetenekler ekosistemini teşvik edecektir. Uygulamalar farklılaşacaktır ancak yine de birçok ortak altyapı mevcut olabilir. Ayrıca, bir dizi eğitilmiş model gerektiren uygulamaları düşünürsek, bu modellerden bazıları diğerlerinden daha az tescilli olabilir.

İleriye baktığımızda, üretken yapay zeka hızlı hareket eden bir trendir. Her ay, hatta günlük olarak yeni fikirler ortaya çıkıyor, bu nedenle bugün mümkün olmayan şeyler nispeten yakın zamanda mümkün olabilir veya farklı bir şekilde çözülebilir. Geniş veri kümelerindeki eğitime bağlı olarak herhangi bir alanda hâlâ büyük gizlilik sorunları var. Bu tür durumlarda öğrenilen davranışın patentleri veya ticari sırları ihlal etmeyeceğini kanıtlamak çok zor bir sorun gibi görünüyor ve muhtemelen bu tür eğitimin hassas olmayan yeteneklerle sınırlandırılmasıyla kaçınılması en iyi yol olacaktır.

Tüm uyarılara rağmen burası korkusuz olunması gereken bir alandır. Üretken yapay zeka dönüştürücü olacak. Yapay zekayı günlük yaşamlarımızda daha iyi kullanmak için kendimizi eğitmeliyiz. Ve karşılığında, tasarım teknolojilerinde kullanımımız konusunda daha iddialı olmak için öğrendiklerimizi uyguluyoruz.

Harika konuşma. Umutlu, sınırlamalara ve pratik uygulamalara dair iyi bir anlayışa sahip.