Ý kiến về Generative AI tại CadenceLIVE - Semiwiki

Được xuất bản lại bởi Plato

Người theo dõi: 0

Theo một số người mơ mộng về AI, chúng ta gần như đã đến đích. Chúng ta sẽ không còn cần các chuyên gia thiết kế phần cứng hoặc phần mềm nữa—chỉ cần ai đó đưa ra các yêu cầu cơ bản mà từ đó các công nghệ hệ thống được hiện thực hóa đầy đủ sẽ bị loại bỏ ở đầu bên kia. Ý kiến của các chuyên gia trong ngành rất nhiệt tình nhưng ít cường điệu hơn. Bob O'Donnell, chủ tịch, người sáng lập và nhà phân tích trưởng tại TECHnalysis Research đã điều hành một hội thảo về chủ đề này tại CadenceLIVE với các tham luận viên Rob Christy (Giám đốc kỹ thuật và Kỹ sư xuất sắc, Triển khai - Hệ thống kỹ thuật trung tâm tại Arm), Prabal Dutta (Phó giáo sư, Kỹ thuật điện và Khoa học Máy tính, tại Đại học California, Berkeley), Tiến sĩ Paul Cunningham (Phó chủ tịch cấp cao kiêm Tổng Giám đốc Nhóm Xác minh & Hệ thống tại Cadence), Chris Rowen (Phó chủ tịch Kỹ thuật, Cộng tác AI tại Cisco) và Igor Markov (Nghiên cứu Nhà khoa học tại Meta)—những người biết nhiều hơn hầu hết chúng ta về thiết kế chip và AI. Tất cả các tham luận viên đều đưa ra những hiểu biết có giá trị. Tôi đã tóm tắt cuộc thảo luận ở đây.

Ý kiến về AI sáng tạo

AI sáng tạo sẽ thay đổi thiết kế chip?

Sự đồng thuận là có và không. AI có thể tự động hóa phần lớn tương tác giữa con người với nhau dựa trên các công nghệ khối xây dựng cần thiết: Vị trí và tuyến đường, mô phỏng logic, mô phỏng mạch, v.v. Điều này cho phép chúng ta khám phá phạm vi rộng hơn—có lẽ rộng hơn nhiều—của nhiều lựa chọn hơn có thể thực hiện được thông qua việc khám phá thủ công.

AI về cơ bản là xác suất, lý tưởng khi các câu trả lời xác suất phù hợp (thường cải thiện trên cơ sở) nhưng không bắt buộc phải có độ chính xác cao (ví dụ: cổng tổng hợp). Hơn nữa, các mô hình sáng tạo ngày nay rất hiệu quả trong một số lĩnh vực nhất định, không nhất thiết ở những lĩnh vực khác. Ví dụ, chúng rất kém hiệu quả trong các ứng dụng toán học. Điều quan trọng cần nhớ là trẻ thực sự không học các kỹ năng mà học cách bắt chước. Chẳng hạn, không có hiểu biết cơ bản về kỹ thuật điện, vật lý hoặc toán học. Trong sử dụng thực tế, một số hạn chế có thể được bù đắp bằng sự xác minh chặt chẽ.

Điều đó nói lên rằng, những gì họ có thể làm trong các ứng dụng ngôn ngữ là rất đáng chú ý. Trong các bộ dữ liệu lớn dành riêng cho miền khác, chẳng hạn như trong mạng, các mô hình lớn có thể tìm hiểu cấu trúc và suy ra nhiều điều thú vị không liên quan gì đến ngôn ngữ. Bạn có thể tưởng tượng việc học siêu tuyến trong một số lĩnh vực nếu việc học có thể chống lại tập đoàn trên toàn thế giới, giả sử chúng ta có thể giải quyết các vấn đề gai góc về quyền riêng tư và IP.

Phương pháp sáng tạo có thể thúc đẩy phát triển kỹ năng không?

Trong lĩnh vực thiết kế hệ thống và chất bán dẫn, chúng ta đang phải đối mặt với tình trạng thiếu nhân tài nghiêm trọng. Những người tham gia hội thảo tin rằng AI sẽ giúp các kỹ sư trẻ, ít kinh nghiệm tăng tốc nhanh hơn để đạt được mức hiệu suất có kinh nghiệm hơn. Các chuyên gia cũng sẽ trở nên giỏi hơn, có nhiều thời gian hơn để nghiên cứu và áp dụng các kỹ thuật mới từ việc không ngừng mở rộng biên giới trong nghiên cứu triển khai và kiến trúc vi mô. Đây phải là một lời nhắc nhở rằng các phương pháp dựa trên học tập sẽ giúp ích cho kiến thức “mọi nhà thiết kế có kinh nghiệm đều biết” nhưng sẽ luôn ở phía sau đường cong chuyên gia.

Liệu những công cụ như vậy có cho phép chúng ta tạo ra nhiều loại chip khác nhau không? Trong thời gian tới, AI sẽ giúp tạo ra những con chip tốt hơn thay vì những loại chip mới. Các mô hình sáng tạo hoạt động tốt với trình tự các bước; nếu bạn thực hiện cùng một quá trình thiết kế nhiều lần, AI có thể tối ưu hóa/tự động hóa các trình tự đó tốt hơn chúng ta có thể. Hơn nữa, các phương pháp tổng quát có thể giúp chúng ta xây dựng các loại chip AI mới, điều này có thể thú vị vì chúng ta đang nhận ra rằng ngày càng có nhiều vấn đề có thể được coi là vấn đề về AI.

Một lĩnh vực thú vị khác là thiết kế nhiều khuôn. Đây là một lĩnh vực mới ngay cả đối với các chuyên gia thiết kế. Ngày nay, chúng ta nghĩ đến các khối chiplet với giao diện được xây dựng dưới dạng các mảnh Lego được xác định trước. AI sáng tạo có thể đề xuất những cách mới để tối ưu hóa tốt hơn, cung cấp các câu trả lời khác nhau mà ngay cả các chuyên gia cũng có thể nhanh chóng tìm ra.

Cạm bẫy

Những cạm bẫy tiềm ẩn của việc áp dụng AI tổng quát vào thiết kế chip và/hoặc hệ thống là gì? Bản thân chúng tôi đại diện cho một vấn đề. Nếu AI đang làm tốt công việc, bạn có bắt đầu tin tưởng nó nhiều hơn mức bạn nên không? Những câu hỏi tương tự đã là mối lo ngại đối với việc lái xe tự động và máy bay không người lái được trang bị vũ khí tự động. Niềm tin là một sự cân bằng tinh tế. Chúng ta có thể tin tưởng nhưng vẫn xác minh, nhưng điều gì sẽ xảy ra nếu việc xác minh cũng trở thành dựa trên việc học tập để giải quyết sự phức tạp? Khi AI xác minh đang chứng minh tính đúng đắn của thiết kế do AI tạo ra, chúng ta sẽ vượt qua ranh giới giữa niềm tin chính đáng và không chính đáng ở đâu?

ChatGPT là một ví dụ cảnh báo. Điều hấp dẫn nhất và sai lầm lớn nhất của ChatGPT là bạn có thể hỏi nó bất cứ điều gì. Chúng tôi rất ngạc nhiên trước sự thông minh cụ thể và thực tế là nó bao gồm rất nhiều lĩnh vực khác nhau. Có vẻ như vấn đề tình báo chung tự động đã được giải quyết.

Nhưng hầu hết tất cả các ứng dụng trong thế giới thực sẽ thu hẹp hơn nhiều, được đánh giá dựa trên các tiêu chí khác nhau hơn là khả năng gây ngạc nhiên hoặc giải trí. Trong kinh doanh, kỹ thuật và các ứng dụng thực tế khác, chúng ta mong đợi kết quả có chất lượng cao. Không còn nghi ngờ gì nữa, những ứng dụng như vậy sẽ ngày càng được cải thiện, nhưng nếu sự cường điệu đi quá xa so với thực tế, kỳ vọng sẽ bị tiêu tan và niềm tin vào những tiến bộ hơn nữa sẽ bị đình trệ.

Thực tế hơn, liệu chúng ta có thể tích hợp các kỹ năng điểm đã được thiết lập vào các hệ thống sinh sản không? Một lần nữa, có và không. Có một số mô hình tăng cường hoạt động rất hiệu quả và có thể xử lý các thao tác số học và công thức, chẳng hạn như WolframAlpha đã được tích hợp với ChatGPT. WolframAlpha cung cấp lý luận mang tính biểu tượng và số học, bổ sung cho AI. Hãy coi AI như giao diện người-máy và phần mở rộng WolframAlpha là sự hiểu biết sâu sắc đằng sau giao diện đó.

Có thể bỏ qua quá trình tăng cường, học và tải các kỹ năng trực tiếp vào AI dưới dạng mô-đun như Neo đã học được King Fu trong Ma trận không? Việc thể hiện những kỹ năng đó trong các mô hình ngôn ngữ có tính địa phương như thế nào? Thật không may, ngay cả bây giờ, các kỹ năng đã học được thể hiện bằng trọng số trong mô hình và mang tính toàn cầu. Ở mức độ này, việc tải một mô-đun đã đào tạo dưới dạng phần mở rộng cho nền tảng đã đào tạo hiện có là không thể.

Có một câu hỏi liên quan xung quanh giá trị của đào tạo trên toàn thế giới so với đào tạo chỉ trong nội bộ. Lý thuyết là nếu ChatGPT có thể thực hiện tốt công việc đó bằng cách đào tạo trên tập dữ liệu toàn cầu, thì các công cụ thiết kế cũng có thể làm được điều tương tự. Lý thuyết này vấp ngã theo hai cách. Đầu tiên, dữ liệu thiết kế cần thiết cho đào tạo có tính độc quyền cao, không bao giờ được chia sẻ trong bất kỳ trường hợp nào. Đào tạo toàn cầu dường như cũng không cần thiết; Các công ty EDA có thể cung cấp một điểm khởi đầu phù hợp dựa trên các ví dụ thiết kế được sử dụng thường xuyên để tinh chỉnh các công cụ không phải AI. Khách hàng xây dựng trên cơ sở đó, đào tạo bằng cách sử dụng dữ liệu của chính họ, báo cáo sự cải thiện có ý nghĩa cho mục đích của họ.

Thứ hai, không rõ liệu việc học tập chia sẻ trên nhiều lĩnh vực thiết kế khác nhau có mang lại lợi ích hay không. Mỗi công ty đều muốn tối ưu hóa để có được những lợi thế đặc biệt của riêng mình chứ không phải thông qua một loạt các “phương pháp hay nhất” đa mục đích.

Hy vọng có thể tái sử dụng trong AI và mong chờ

Với những câu trả lời trước đó, liệu chúng ta có bị mắc kẹt với các mô hình duy nhất cho từng miền hẹp không? Không rõ liệu một kiến trúc có thể làm được mọi thứ hay không, nhưng các giao diện mở sẽ khuyến khích một hệ sinh thái gồm các khả năng, có thể giống như một ngăn xếp giao thức. Các ứng dụng sẽ khác nhau nhưng vẫn có thể có nhiều cơ sở hạ tầng dùng chung. Ngoài ra, nếu chúng ta nghĩ về các ứng dụng yêu cầu một chuỗi các mô hình được đào tạo, một số mô hình đó có thể ít độc quyền hơn các mô hình khác.

Nhìn về phía trước, AI sáng tạo là một chuyến tàu chuyển động nhanh. Những ý tưởng mới xuất hiện hàng tháng, thậm chí hàng ngày, vì vậy những gì không thể thực hiện được hôm nay có thể trở thành khả thi hoặc được giải quyết theo một cách khác tương đối sớm. Vẫn còn những vấn đề lớn về quyền riêng tư trong bất kỳ lĩnh vực nào tùy thuộc vào việc đào tạo trên nhiều tập dữ liệu. Chứng minh rằng hành vi học được trong những trường hợp như vậy sẽ không vi phạm bằng sáng chế hoặc bí mật thương mại có vẻ như là một vấn đề rất khó khăn, có lẽ nên tránh tốt nhất bằng cách hạn chế việc đào tạo như vậy ở những khả năng không nhạy cảm.

Bất chấp mọi cảnh báo, đây là một lĩnh vực không thể sợ hãi. AI sáng tạo sẽ có tính biến đổi. Chúng ta phải rèn luyện bản thân để tận dụng AI tốt hơn trong cuộc sống hàng ngày. Và ngược lại, việc áp dụng kiến thức của chúng ta để trở nên tham vọng hơn trong việc sử dụng các công nghệ thiết kế.

Cuộc nói chuyện tuyệt vời. Hy vọng, với những hiểu biết sâu sắc về những hạn chế và ứng dụng thực tế.