谷歌正在使用机器学习来帮助设计其下一代机器学习芯片。谷歌的工程师表示,该算法的设计与人类创造的设计“相当或优于”,但生成速度要快得多。据这家科技巨头称,人工智能可以在不到 6 小时的时间内完成人类需要数月的工作。

谷歌一直在研究如何使用机器学习创建的芯片多年,但最近这次努力-本周描述在杂志上的论文自然-似乎是在第一时间它的研究已应用于商业产品:即将到来Google 自己的 TPU(张量处理单元)芯片版本,针对 AI 计算进行了优化。

“我们的方法已在生产中用于设计下一代谷歌 TPU,”该论文的作者写道,谷歌研究科学家 Azalia Mirhoseini 和 Anna Goldie 共同领导。

换句话说,人工智能正在帮助加速人工智能发展的未来。

在论文中,谷歌的工程师指出,这项工作对芯片行业具有“重大意义”。它应该允许公司更快地探索未来设计的可能架构空间,并更轻松地为特定工作负载定制芯片。

Nature的一篇社论 称这项研究是一项“重要成就”,并指出此类工作有助于抵消摩尔定律的预期终结——这是 1970 年代的芯片设计公理,它指出芯片上的晶体管数量每两年翻一番. AI 不一定能解决将越来越多的晶体管挤到芯片上的物理挑战,但它可以帮助找到以相同速度提高性能的其他途径。

谷歌算法处理的具体任务被称为“布局规划”。这通常需要人类设计师借助计算机工具在硅片上为芯片子系统找到最佳布局。这些组件包括 CPU、GPU 和内存内核之类的东西,它们使用数十公里的微小布线连接在一起。决定在芯片上放置每个组件的位置会影响芯片的最终速度和效率。而且,考虑到芯片制造的规模和计算周期,放置的纳米变化最终可能会产生巨大的影响。

谷歌的工程师指出,设计平面图需要人类“花费数月的努力”,但从机器学习的角度来看,有一种熟悉的方法可以解决这个问题:作为游戏。

人工智能一次又一次地证明,它可以在国际象棋和围棋等棋盘游戏中胜过人类,谷歌的工程师指出,平面规划类似于此类挑战。您有一个硅芯片,而不是游戏板。您拥有 CPU 和 GPU 之类的组件,而不是像骑士和车之类的部件。那么,任务就是简单地找到每个板的“获胜条件”。在可能是将死的国际象棋中,在芯片设计中是计算效率。

Google 的工程师在包含 10,000 个不同质量的芯片平面图的数据集上训练了一种强化学习算法,其中一些是随机生成的。每个设计都标有特定的“奖励”功能,这取决于其在不同指标(例如所需的电线长度和功耗)上的成功。然后该算法使用这些数据来区分好的和坏的平面图,并依次生成自己的设计。

正如我们所见,当 AI 系统在棋盘游戏中与人类进行较量时,机器不一定会像人类一样思考,并且经常会针对熟悉的问题得出意想不到的解决方案。当 DeepMind 的 AlphaGo 在围棋中对战人类冠军李世石时,这种动态导致了臭名昭著的“第37步”——AI看似不合逻辑的棋子放置,但最终导致了胜利。

谷歌的芯片设计算法并没有发生什么如此戏剧性的事情,但它的平面图仍然与人类创建的平面图完全不同。子系统不是整齐排列在芯片上的组件,而是看起来几乎随机散布在硅片上。Nature的插图显示了差异,左侧是人类设计,右侧是机器学习设计。您还可以从 Google 的论文中看到下图的总体差异(左侧是有序的人类;右侧是混乱的 AI),尽管布局因保密而变得模糊:

这篇论文值得注意,特别是因为它的研究现在被谷歌商业使用。但这远非 AI 辅助芯片设计的唯一方面。谷歌本身已经探索在流程的其他部分使用人工智能,比如“架构探索”,而英伟达等竞争对手正在研究其他方法来加快工作流程。AI 为 AI 设计芯片的良性循环似乎才刚刚开始。