Думки щодо Generative AI на CadenceLIVE – Semiwiki

На думку деяких мрійників ШІ, ми майже на місці. Нам більше не потрібні будуть експерти з розробки апаратного чи програмного забезпечення — лише хтось, хто введе основні вимоги, з яких повністю реалізовані системні технології випадуть з іншого боку. Думки експертів у галузі захоплені, але менш гіперболічні. Боб О’Доннелл, президент, засновник і головний аналітик TECHnalysis Research, модерував дискусію з цієї теми на CadenceLIVE за участю Роба Крісті (технічного директора та видатного інженера, впровадження – центральні інженерні системи Arm), Прабала Датта (доцент, електротехніка). і комп’ютерних наук, Університет Каліфорнії, Берклі), д-р Пол Каннінгем (старший віце-президент і генеральний менеджер групи систем і верифікації в Cadence), Кріс Роуен (віце-президент з інженерних питань, співпраця ШІ в Cisco) та Ігор Марков (дослідження Науковці в Meta) — люди, які знають більше, ніж більшість із нас, про дизайн чіпів і ШІ. Усі учасники панелі запропонували цінні ідеї. Я підсумував дискусію тут.

Чи змінить генеративний штучний інтелект дизайн чіпа?

Консенсус був «так» і «ні». ШІ може автоматизувати значну частину взаємодії людини в циклі на додачу до необхідних технологій будівельних блоків: місця й маршруту, моделювання логічного моделювання, моделювання схеми тощо. Це дозволяє нам досліджувати ширший — можливо, набагато ширший — діапазон параметри, ніж це було б можливо за допомогою дослідження вручну.

ШІ є принципово імовірнісним, ідеальним, коли імовірнісні відповіді доцільні (загалом покращуються в порівнянні з базовою лінією), але не там, де висока точність є обов’язковою (наприклад, синтезуючи ворота). Крім того, генеративні моделі сьогодні дуже хороші в обмеженому наборі полів, не обов’язково деінде. Наприклад, вони дуже неефективні в математичних програмах. Важливо також пам’ятати, що вони насправді не вчаться навичкам — вони вчаться мімікувати. Немає основного розуміння електротехніки, фізики чи математики, наприклад. У практичному використанні деякі обмеження можуть бути компенсовані суворою перевіркою.

Тим не менш, те, що вони можуть робити в мовних програмах, є чудовим. В інших масивних доменно-спеціальних наборах даних, наприклад у мережах, великі моделі можуть вивчати структуру та виводити багато цікавих речей, які не мають нічого спільного з мовою. Ви можете уявити собі суперлінійне навчання в деяких сферах, якби навчання могло працювати зі світовими корпораціями, припускаючи, що ми можемо впоратися з складними проблемами інтелектуальної власності та конфіденційності.

Чи можуть генеративні методи сприяти розвитку навичок?

У сфері проектування напівпровідників і систем ми стикаємося з серйозною нестачею талантів. Учасники дискусії вважають, що ШІ допоможе молодшим, менш досвідченим інженерам швидше прискоритися до більш досвідченого рівня продуктивності. Експерти також стануть кращими, маючи більше часу для вивчення та застосування нових методів завдяки постійному розширенню кордонів мікроархітектурних досліджень та досліджень впровадження. Це повинно бути нагадуванням про те, що методи, засновані на навчанні, допоможуть зі знаннями «кожен досвідчений дизайнер знає», але завжди будуть позаду експертів.

Чи дозволять такі інструменти створювати різні типи мікросхем? У найближчій перспективі ШІ допоможе створювати кращі мікросхеми, а не нові типи мікросхем. Генеративні моделі хороші з послідовністю кроків; якщо ви проходите через один і той самий процес проектування багато разів, ШІ може оптимізувати/автоматизувати ці послідовності краще, ніж ми. Крім того, генеративні методи можуть допомогти нам створювати нові типи чіпів штучного інтелекту, що може бути цікаво, оскільки ми розуміємо, що все більше проблем можна переробити як проблеми штучного інтелекту.

Ще один цікавий напрямок — багатокристалічний дизайн. Це нова сфера навіть для експертів з дизайну. Сьогодні ми думаємо про блоки чіплетів з інтерфейсами, побудованими як заздалегідь визначені деталі Lego. Generative AI може запропонувати нові способи розблокувати кращу оптимізацію, надаючи інші відповіді, ніж навіть експерти могли б швидко знайти.

Пастки

Які можливі підводні камені застосування генеративного штучного інтелекту до дизайну чіпів і систем? Ми самі представляємо одну проблему. Якщо ШІ добре виконує свою роботу, чи починаєте ви довіряти йому більше, ніж слід? Подібні питання вже викликають занепокоєння щодо автономного водіння та автономних озброєних дронів. Довіра – це тонка рівновага. Ми можемо довіряти, але перевіряти, але що тоді, якщо перевірка також стане заснованою на навчанні, щоб мати справу зі складністю? Коли штучний інтелект перевірки доводить правильність створеного штучним інтелектом дизайну, де ми переходимо межу між виправданою та невиправданою довірою?

ChatGPT є прикладом застереження. Велика чарівність і велика помилка ChatGPT полягає в тому, що ви можете запитати його про що завгодно. Ми вражені особливою кмітливістю та тим фактом, що вона охоплює так багато різних сфер. Складається враження, що проблему автоматичного загального інтелекту вирішено.

Але майже всі додатки в реальному світі будуть набагато вужчими, оцінюваними за іншими критеріями, ніж здатність дивувати чи розважати. У бізнесі, інженерії та інших реальних програмах ми очікуємо високої якості результатів. Немає сумніву, що такі додатки поступово вдосконалюватимуться, але якщо ажіотаж надто випереджатиме реальність, очікування не справдяться, а довіра до подальших досягнень загине.

Більш прагматично, чи можемо ми інтегрувати встановлені точкові навички в генеративні системи? Знову так і ні. Існують деякі доповнені моделі, які є дуже продуктивними та можуть обробляти арифметичні операції та маніпуляції з формулами, наприклад, WolframAlpha, яка вже інтегрована з ChatGPT. WolframAlpha забезпечує символічне та числове міркування, доповнюючи ШІ. Подумайте про штучний інтелект як про інтерфейс «людина-машина», а про доповнення WolframAlpha — про глибоке розуміння цього інтерфейсу.

Чи можна обійти розширення, вивчати та завантажувати навички безпосередньо в ШІ як модулі, як Нео зміг вивчити Кінг Фу в Матриці? Наскільки локальним є представлення таких навичок у мовних моделях? На жаль, навіть зараз набуті навички представлені ваговими коефіцієнтами в моделі та є глобальними. Таким чином, завантажити навчений модуль як розширення існуючої навченої платформи неможливо.

Існує певне схоже питання щодо цінності навчання в усьому світі порівняно з навчанням лише всередині компанії. Теорія полягає в тому, що якщо ChatGPT може виконувати таку хорошу роботу, навчаючись на глобальному наборі даних, то інструменти дизайну повинні мати можливість робити те саме. Ця теорія спотикається двояко. По-перше, дані про проектування, необхідні для навчання, є суворо конфіденційними, їх не можна надавати за жодних обставин. Глобальне навчання також здається непотрібним; Компанії EDA можуть забезпечити гідну відправну точку на основі прикладів дизайну, які регулярно використовуються для вдосконалення інструментів, не пов’язаних зі ШІ. Клієнти, спираючись на цю базу, навчаючись із використанням власних даних, повідомляють про значні покращення для своїх цілей.

По-друге, незрозуміло, чи буде корисним спільне навчання в багатьох різнорідних областях проектування. Кожна компанія хоче оптимізувати свої власні особливі переваги, а не через багатоцільовий суп «найкращих практик».

Сподіваюся на повторне використання в ШІ та з нетерпінням

Враховуючи попередні відповіді, ми застрягли на унікальних моделях для кожного вузького домену? Незрозуміло, що одна архітектура може робити все, але відкриті інтерфейси заохочуватимуть екосистему можливостей, можливо, як стек протоколів. Програми відрізнятимуться, але все ще може бути багато спільної інфраструктури. Крім того, якщо ми думаємо про додатки, які потребують послідовності навчених моделей, деякі з цих моделей можуть бути менш запатентованими, ніж інші.

Дивлячись вперед, генеративний ШІ — це швидкісний потяг. Нові ідеї з’являються щомісяця, навіть щодня, тому те, що неможливо сьогодні, відносно скоро стане можливим або вирішиться іншим способом. Існують серйозні проблеми з конфіденційністю в будь-якій області, залежно від навчання в широких наборах даних. Довести, що навчена поведінка в таких випадках не порушуватиме патенти чи комерційну таємницю, здається дуже важкою проблемою, ймовірно, її краще уникнути, обмеживши таке навчання нечутливими можливостями.

Незважаючи на всі застереження, це місце, де варто бути безстрашним. Генеративний ШІ буде перетворювальним. Ми повинні навчитися краще використовувати штучний інтелект у нашому повсякденному житті. І, у свою чергу, застосовуючи наші знання, щоб бути більш амбітними для нашого використання в технологіях дизайну.

Чудова розмова. Обнадійливий, добре розуміє обмеження та практичне застосування.

Також читайте:

Висновки з CadenceLIVE 2023

Основна доповідь Аніруда на Cadence Live

Мережі Петрі перевіряють протоколи DRAM. Інновації у верифікації

Поділитися цим дописом через:

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoAiStream. Web3 Data Intelligence. Розширення знань. Доступ тут.
• Карбування майбутнього з Адріенн Ешлі. Доступ тут.
• Купуйте та продавайте акції компаній, які вийшли на IPO, за допомогою PREIPO®. Доступ тут.
• джерело: https://semiwiki.com/artificial-intelligence/328667-opinions-on-generative-ai-at-cadencelive/