Google AI刚刚设计了计算机芯片以及人类工程师
喜欢指数的未来？加入我们的Xpotential社区，通过Xpotential University的课程，Connect，观看Keynote或浏览我的博客的未来证明自己。
AI终于圆满了。Google Brain的一套新算法套件现在可以设计其计算机芯片（专门用于运行AI软件的芯片），其表现非常优于人类专家设计的芯片。该系统在短短几个小时内工作，大幅度削减了通常会增加数字创新的数周或数月的过程。
这些机器人芯片设计师的核心是一种称为深钢筋学习的机器学习。这种算法家族基于人脑的运作，在国际象棋，GO和几乎整个Atari目录等游戏中都赢得了其生物神经灵感的胜利。
但是游戏只是这些AI特工的幼儿园训练。最近，他们成长为解决Covid-19的新药，解决了生物学最宏伟的挑战之一，并揭示了人脑的秘密。
在新的研究中，通过制定允许其更有效运行的硬件，深度加强学习再次使其在现实世界中的肌肉弯曲。该团队巧妙地采用了游戏元素参加Chip Design挑战，从而产生了对人类设计师完全“奇怪而又陌生”的概念，但仍然效果很好。
这不仅仅是理论。该公司的AI ACELERATOR芯片（旨在帮助AI算法运行速度更快，更有效地运行），将许多AI的芯片设计元素纳入了Google的张量处理单元（TPU）。
研究作者安娜·戈迪（Anna Goldie）说：“这就是我们的愿景。”“现在，机器学习变得如此有能力，这要归功于硬件和系统方面的进步，我们可以使用AI设计更好的系统来运行未来的AI算法吗？”
我通常不考虑手机，笔记本电脑和其他设备上散布在我家中的其他设备中的微芯片。但是它们是控制这些心爱的设备的基岩 - 硬件“大脑”。
微芯片通常不超过指甲，是工程学精致的壮举，这些壮举包含数千万组件以优化计算。用每天的话来说，一个不好的设计芯片意味着加载时间缓慢和死亡之轮 - 没人想要。
加利福尼亚大学圣地亚哥分校的安德鲁·卡恩格（Andrew Kahng）博士说，芯片设计的关键是一个称为“平面图”的过程，他没有参与这项研究。类似于进入新空间后的家具，芯片平面图涉及将不同内存和逻辑组件在芯片上移动的位置，以优化处理速度和功率效率。
这是一项艰巨的任务。每个芯片都包含数百万逻辑门，用于计算。散落在这些旁边是成千上万的内存块，称为宏块，可以保存数据。然后，这两个主要组件通过数十英里的布线相互联系，以便芯片在速度，热量产生和能源消耗方面尽可能最佳地表现。
“鉴于这种惊人的复杂性，芯片设计过程本身就是另一个奇迹 - 在这种奇迹中，工程师的努力在专门的软件工具的帮助下，保持复杂性，” Kahng解释说。通常，平面图需要人类专家需要数周甚至数月的艰苦试验和错误。然而，即使进行了六十年的学习，该过程仍然是科学与艺术的混合体。
卡恩格说：“到目前为止，尤其是平底求的任务违反了所有自动化的尝试。”一个估计表明，仅放置“内存”宏观块的不同配置的数量约为102,500 - 大小比宇宙中的恒星数大。鉴于这种复杂性，尝试自动化过程似乎很疯狂。但是Google Brain巧妙地做到了这一点。
如果您将宏观块和其他组件视为国际象棋，那么芯片设计就会成为一种游戏，类似于以前通过深入强化学习掌握的游戏。代理商的任务是将宏观块依次依次将宏观块以优化的方式赢得比赛。当然，任何幼稚的AI特工都会挣扎。作为背景学习，团队用10,000多个芯片平面图培训了他们的经纪人。借助知识库，代理可以探索各种替代方案。
在设计过程中，它使用了类似于我们学习方式的“试用和错误”过程。在开发平面图的任何阶段，AI代理都评估了使用学识渊博的策略的方式，并以最佳的前进方式决定了下一个组件的最佳方式。
“它是从空白的画布开始的，一次将芯片的每个组成部分都放在画布上。最后，它根据其表现方式获得了分数（奖励），” Goldie解释说。然后，将反馈用于更新整个人工神经网络，该网络构成了AI代理的基础，并为另一个绕行做好了准备。
该分数经过精心制作，以遵循芯片设计的限制，这并不总是相同的。每个芯片都是自己的游戏。例如，如果有些部署在数据中心中，则需要优化功耗。但是，自动驾驶汽车的芯片应该更多地关心延迟，以便可以迅速发现任何潜在的危险。
使用这种方法，团队不仅找到了单个芯片设计解决方案。他们的AI代理能够适应和概括，只需要额外的六个小时的计算即可确定任何特定需求的优化解决方案 - 这本身就是惊人的。
Goldie说：“使我们的算法在这些不同的环境中概括是一个更大的挑战，而不是只有一种适用于一种特定芯片的算法。”
卡恩格说，这是一种“一次性”学习方式，因为它可以生产“比人类专家为现有芯片开发的平面图”。主要的通行似乎是AI代理以减小的大小顺序铺设了宏观块。但是，突出的是设计的外星人。这些位置是“圆形和有机的”，这与传统的芯片设计截然不同。
人类设计师认为“这绝不会是高质量的。他们几乎不想评估它们，”戈迪说。
但是团队将项目从理论推向实践。一月份，Google将一些AI设计的元素集成到其下一代AI处理器中。虽然详细信息都在包裹着，但解决方案很有趣，足以使数百万份的物理生产。
该团队计划为更广泛的社区发布其代码，以进一步优化和理解机器的芯片设计大脑。如今，魔术似乎可以为更好的平面图设计提供见解，从而扩展了逐渐减慢或垂死的摩尔定律，以进一步加强我们的计算硬件。即使是计算速度或功耗的微小改善也可能产生巨大的差异。
“我们可以……期望半导体行业对复制作者的作品的兴趣加倍，并在整个芯片设计过程中追求许多类似的应用程序，”卡恩说。
戈迪说：“鉴于它在各种不同的数据中心中部署在机器学习的碳足迹上，[新一代芯片]的影响水平确实非常有价值。即使一天前，它也有很大的不同。”
