谷歌表示，正在探索利用其“最新的人工智能突破”来改进其定制的人工智能芯片——张量处理单元(TPU)。谷歌发言人表示：“人工智能正在改善我们所做的一切，比如构图、理解、编码和机器人技术，硬件设计也是如此。”來源：Wind
香港萬得通訊社報道，$谷歌-C (GOOG.US)$旗下AI部門DeepMind的研究人員發現了一種使用人工智能設計芯片的方法，該方法較傳統路徑更高效、更自動化。DeepMind母公司Alphabet表示，這種方法可以改進自己的專用人工智能芯片。
目前，英偉達(Nvidia)和AMD等半導體巨頭競相提供計算能力，以滿足企業對生成式人工智能能力日益增長的需求。但像谷歌和亞馬遜這樣的雲計算巨頭也一直在設計自己的人工智能芯片，並押注他們的本土硬件可以比競爭對手更快，運行成本更低。
谷歌表示，正在探索利用其“最新的人工智能突破”來改進其定製的人工智能芯片——張量處理單元(TPU)。谷歌發言人表示：“人工智能正在改善我們所做的一切，比如構圖、理解、編碼和機器人技術，硬件設計也是如此。”
總部位於倫敦的DeepMind最近推出了一個可以發現更快算法的人工智能系統，DeepMind研究科學家維諾德·奈爾(Vinod Nair)表示，使用深度學習等人工智能技術的目標是使計算系統——從網絡資源到數據中心和芯片——更高效、更可持續。
他說：“隨着社會越來越數字化，我們需要越來越強大的芯片，越來越多的專用芯片用於各種應用。”
提高芯片性能的傳統思維依賴於一個被稱爲摩爾定律的計算概念，根據摩爾定律，芯片中的晶體管數量大約每兩年翻一番。但一些專家表示，隨着晶體管達到其物理極限，性能提升將來自設計更小、更專業的芯片。ChatGPT、無人機和自動駕駛汽車等應用現在都運行在以任務爲中心的芯片上，比如數字信號處理器和英偉達的圖形處理器。
大約18個月前，DeepMind開始研究基於人工智能的方法，重點是改進邏輯合成(logic synthesis)，這是芯片設計過程中的一個階段，涉及將電路行爲的描述轉化爲實際電路。計算機芯片由數百萬個邏輯電路或“構建模塊”組成，DeepMind高級軟件工程師塞爾吉奧·瓜達拉馬(Sergio Guadarrama)說，雖然手動優化其中一些很容易，但不可能解決數百萬個問題。
通過應用人工智能來加速邏輯電路的設計，DeepMind的目標是使專用芯片的設計更加自動化、高效，減少對人類硬件工程師工作的依賴。瓜達拉馬說，人工智能在一週內產生了數千種設計，而人類則需花幾周時間產生一種設計。
DeepMind取得突破的關鍵在於它使用了深度學習，這是一種利用大型訓練數據集和人工智能神經網絡對模式進行分類的技術——換句話說，這是一種機器從數據中學習的方式，這種方式大致模仿了人類大腦學習解決問題的方式。人工智能實驗室已將同樣的技術應用於生物學，並在去年宣佈其算法AlphaFold預測了幾乎所有已知蛋白質的結構。
奈爾表示，對於芯片設計，DeepMind使用了一種被稱爲“電路神經網絡”的方法，允許研究人員“將問題塑造成我們正在訓練一個神經網絡，但實際上我們正在設計一個電路。”
加州大學伯克利分校(University of California， Berkeley)的研究人員、該競賽的組織者之一米申科(Alan Mishchenko)說，上個月，DeepMind的方法在一場專注於開發更小電路的編程競賽中以顯著優勢獲勝，比去年的冠軍效率提高了27%，比今年的第二名效率提高了40%。
米申科的研究重點是計算效率高的邏輯合成，他說，DeepMind團隊的結果是一種“尤里卡時刻”，表明邏輯合成還有很大的進步空間。米申科表示，與其他科學突破一樣，研究人員和學者很可能在幾年內利用DeepMind的成果推動該領域向前發展。
德州大學奧斯汀分校(University of Texas at Austin)電氣和計算機工程教授大衛·潘(David Pan)表示，DeepMind的研究結果雖然只涉及芯片設計的一個小方面，但卻是製造芯片整個過程中的一個基本步驟。“DeepMind的深度學習爲解決經典邏輯合成問題開闢了一個非常有趣的新方向。這些改進適用於所有芯片，無論是專用ASIC、CPU還是GPU。”
編輯/Somer
