芯片加速AI发展，AI反过来又推动芯片进步？

刚刚，谷歌芯片设计算法AlphaChip正式亮相。

DeepMind CEO哈萨比斯调侃：这下闭环了。

要知道，AlphaChip只需几个小时就能生成比肩人类水平的芯片设计图。

谷歌目前最强TPU“Trillium”，AlphaChip就参与了设计，而TPU又训练了Gemini、Imagen、Veo等新算法。

以及联发科、三星等芯片厂商，也都将其用到了实际生产中。

这不，最近处在转型逆风期的英特尔深陷并购风波。于是网友给出主意：

谷歌表示AlphaChip现在不仅速度更快，而且需要的计算资源更少，已经达到人类专家级水平。

最新发布中，谷歌还开源了一个预训练版本，这样大家都能用AlphaChip更简易地开发芯片（但也还是自己预训练的效果更好）。

围观群众都相当兴奋：

向前追溯来看，AlphaChip最早期的成果于2020年以预印本形式发布，2021年登上Nature。

但直到今天谷歌才给它了一个正式的名字。Jeff Dean是作者之一。

AlphaChip和AlphaGo、AlphaZero的原理相似，都是基于深度强化学习。

AlphaZero掌握了围棋、国际象棋的游戏规则，AlphaChip就是将规划芯片布局视为一个游戏。

一个芯片上往往包含数十亿个晶体管，由他们组成的数千万个逻辑门就是标准单元，此外还有数千个存储块，称为宏块。

芯片设计就是要确定它们的位置，如何布局将影响芯片的处理速度和电源效率。

传统方法中，光是放置宏块这一步就很耗时了，为了给标准单元留出更多空间，每一次迭代都要几天甚至几周时间。

AlphaChip基于深度强化学习，从之前的芯片布局中进行学习，生成新的设计方案。

它将宏和标准单元映射到一个平面画布上，形成具有数百万到数十亿节点的“芯片网表”。

从一个空白格开始，一次放置一个电路元件，直到放置完所有元件。算法会对功率、性能和面积（PPA）等进行优化，并输出概率分布。最终将根据布局质量计算奖励。

利用一种新型的基于边缘（edge-based）的图神经网络AlphaChip可以学习互联芯片组件之间的关系，并应用在芯片之间，所以AlphaChip能对设计的每个布局进行改进。

下图中，左图为零样本下AlphaChip布局开源Ariane RISC-V CPU的结果，右图为基于预训练策略（设计20个TPU）微调的效果。

经过迭代，目前AlphaChip设计芯片的效果和速度都较此前有明显提升，达到和人类专家相近水平。

谷歌列举了AlphaChip在参与设计TPU v5e、TPU v5p、Trillium上的效果，它们分别是目前谷歌最先进的三款AI计算芯片。

值得一提的是，AlphaChip团队此前还陷入过打假风波。

谷歌大脑员工Satrajit Chatterjee在内部质疑该团队发表在Nature上的论文中存在一些站不住脚、实验尚未经过充分的测试。2022年3月，该研究员被谷歌解雇。

（一个猜测：这或许也是AlphaChip迟迟没有正式发布的原因之一？）

不过，用AI设计芯片，不只是谷歌在搞。

英伟达的H100，也有AI参与设计。

通过利用深度强化学习agent设计电路，H100中有近13000条电路由AI设计。

更早之前，三星也被曝用新思科技的DSO.ai来设计Exynos处理器。

当时新思还很得意表示，DSO.ai是第一个用于处理器设计的商业AI软件。

以及生成式AI大潮下，Cadence也在力推AI设计芯片，推出了Optimization AI方案。而且还有Cadence Copilot，利用大语言模型（LLM）和其他基础模型，显著提升工程师的生产力。

参考链接：[1]https://deepmind.google/discover/blog/how-alphachip-transformed-computer-chip-design/[2]https://x.com/demishassabis/status/1839354651206160563[3]https://x.com/JeffDean/status/1839308592408834559