Человеческий интеллект и наша коллективная мудрость уже становятся ограничивающими факторами в развитии ИИ. Действительно, единственным разумным шагом на данном этапе, похоже, является разрешение ИИ разрабатывать собственное будущее оборудование, вплоть до уровня микрочипа.
В последнее время ИИ уже открывает новые технологические достижения и прогресс в сложных областях — от ускорения исследований возобновляемой энергии на несколько лет до точного обнаружения рака. Поэтому, когда я посетил конференцию WCIT в Армении в прошлом месяце, мое внимание привлек доклад о том, как ИИ помогает проектировать чипы.
Удовлетворение постоянно растущего мирового спроса на вычислительные возможности — непростая задача. Процессоры в вашем телефоне, ноутбуке и автомобиле уже бесконечно малы и достаточно быстры, чтобы точно выполнять миллиарды инструкций в секунду. И все же мы хотим, чтобы новейшие гаджеты делали больше и работали быстрее, чем модели прошлого года, каждый год.
Как это выглядит на процессоре? Подумайте, что мы прошли путь от размещения 21 миллиона транзисторов на процессоре Gekko Nintendo GameCube в 2001 году до размещения 50 миллиардов транзисторов на чипе размером с ноготь в 2021 году. Хотя мы, безусловно, стоим на плечах гигантов, современные чипы намного сложнее в проектировании и производстве, чем чипы предыдущих десятилетий.
Как изготавливаются микрочипы? 🖥️🛠️ Этапы процесса производства ЦП
Нам также нужны специализированные чипы сейчас. Например, ноутбуки и облачные серверы имеют нейронные процессоры (NPU), разработанные для эффективного выполнения задач машинного обучения. Существуют также 3D-чипы, которые по сути являются комбинациями чиплетов, сложенных вместе для повышения производительности.
Все эти сложные компоненты требуют более точных конструкций, чем мы можем себе представить с помощью обычных алгоритмов. И вот тут-то в игру вступает ИИ.
ИИ ускоряет и оптимизирует гигантскую задачу проектирования чипов несколькими способами. Для производителей процессоров проектирование с помощью ИИ означает, что они могут создавать значительно лучшие чипы, с гораздо меньшим количеством инженеров, чем раньше, и гораздо более быстрыми сроками выполнения.
На конференции WCIT я пообщался с доктором Ервандом Зоряном, главным архитектором Synopsys и президентом Synopsys Armenia. Это разожгло мое любопытство, отправив меня в увлекательную кроличью нору в необыкновенную технологию, которая будет питать будущие поколения ИИ.
Доктор Ерванд Зорян выступает на конференции WCIT 2024 в Ереване, АрменияLalayan Photography
Я попытался извлечь суть из того, что я нашел в многочисленных докладах, выступлениях, подкастах и статьях по этой теме.
Но сначала давайте поговорим о EDA
Проектирование чипов стало возможным благодаря категории программного обеспечения, оборудования и услуг, известных как Electronic Design Automation (EDA). Они позволяют инженерам определять спецификации чипа и его функции, проектировать его, планировать его сборку, проверять, будет ли он работать правильно после изготовления, и отправлять его на производство.
Инструменты EDA предлагают инструменты моделирования питания, позволяя проектировщикам виртуально пробовать разные идеи, оптимизируя их для высокой производительности процессора, низкого энергопотребления и идеального рассеивания тепла.
Они также помогают после прототипирования чипа, проверяя производительность и надежность, чтобы сложный и дорогой производственный процесс обеспечивал максимально возможный выход работоспособных чипов.
Инструменты EDA компании Synopsys для проектирования чипов используются такими компаниями, как Intel, AMD, Nvidia и многими другимиNvidia
Есть несколько компаний, которые производят инструменты EDA, включая Autodesk, Keysight Technologies, Cadence Design Systems и Synopsys. Последние две, возможно, являются крупнейшими игроками в этой области. Для контекста, инструменты Synopsys используются такими компаниями, как Tesla, Arm, AMD, Microsoft, Intel, Samsung и TSMC.
Насколько сложным может быть проектирование микросхем?
Вы, вероятно, слышали о законе Мура. Это скорее наблюдение, чем закон, сформулированный соучредителем Intel доктором Гордоном Муром еще в 1965 году. Он заявил, что компании-производители полупроводников могут удваивать количество дискретных компонентов на квадратном дюйме кремния каждые 12 месяцев.
В наши дни мы довольно быстро и вольно играем с этим так называемым законом. В настоящее время он перефразирован, и теперь мы видим, что вычислительная мощность процессоров удваивается каждые 18–24 месяца.
Возможно, было проще удвоить количество транзисторов в 60-х и 70-х годах, чем сегодня. Это потому, что, как вы помните, в настоящее время мы помещаем несколько миллиардов наноразмерных транзисторов на один крошечный чип. Эти транзисторы теперь настолько малы, что они начинают сталкиваться с физическими ограничениями; электроны перестают вести себя в этих наноразмерных конструкциях и начинают «туннелировать» сквозь барьеры из-за квантовых эффектов, что влияет на точность и эффективность вычислений. Поэтому делать их меньше становится очень, очень сложно.
Что такого сложного в проектировании чипов?
Поскольку спрос на вычислительную мощность растет, чипы становятся больше и сложнее, чтобы удовлетворить эти потребности. Например, создание более мелких чипов, таких как будущие 2-нм процессоры и вертикально расположенные 3D-интегральные схемы, делает процесс проектирования более сложным и трудоемким. Более крупные чипы также требуют больше энергии.
Визуализация нижних слоев 2-нм тестового чипа от IBM, демонстрирующая ряды его прорывного нанолистаIBM
С развитием технологий производства чипов появляются новые правила проектирования для производства чипов. Эти правила относятся к набору геометрических ограничений, которые обеспечивают технологичность чипов, при этом учитывая ограничения в процессах изготовления.
Это означает, что проектировщикам микросхем необходимо постоянно переучиваться и обновлять свои знания, чтобы оставаться на шаг впереди.
Процесс проектирования длительный и трудоемкий. Проектирование современного микросхемы может занять более трех лет и задействовать сотни или даже тысячи людей. Как и следовало ожидать, это может оказаться ужасно дорогим, и нет места для ошибок.
Три способа, которыми ИИ помогает в проектировании микросхем
1) ИИ выполняет большую часть черновой работы
Микросхемы, которые вы видите сегодня, невозможно было бы разработать без ИИ где-то в этом миксе.
ИИ помогает на различных этапах процесса проектирования чипов уже много лет — по крайней мере с 2016 года, согласно Synopsys. Это связано с тем, насколько сложными стали наши вычислительные потребности, а также с нашими требованиями к эффективности и малым форм-факторам.
Все сводится к установке гораздо большего количества транзисторов на чипы, чем в предыдущие годы, гарантируя, что они не будут слишком нагреваться, и что они будут надежно функционировать при изготовлении в соответствии с этим проектом. ИИ доказал свою эффективность в решении таких задач достаточно быстро, чтобы производители могли вовремя вывести свою продукцию на рынок.
Synopsys предлагает производителям чипов набор инструментов EDA на основе ИИ. Эти продукты охватывают практически все аспекты процесса проектирования чипов, включая такие сложные задачи, как определение архитектуры системы, реализация проекта, проверка и производство. Они также могут выполнять повторяющиеся и трудоемкие задачи, такие как моделирование, и выполнять их быстрее и с высокой точностью.
В 2021 году мы увидели первый коммерческий чип, разработанный с использованием ИИ от Samsung. А в прошлом году Стелиос Диамантидис, выдающийся архитектор и руководитель Центра передового опыта в области генеративного ИИ Synopsys, сказал: «Более 300 коммерческих чипов, разработанных с использованием технологии ИИ Synopsys, сейчас находятся в производстве».
2) ИИ проектирует специализированные чипы и оптимизирует сложные макеты
В проектировании чипов обучение с подкреплением является основой ИИ, который помогает дизайнерам в их работе.
Здесь модель ИИ использует процесс обучения методом проб и ошибок для принятия решений с целью достижения наиболее оптимальных результатов в заданном сценарии.
В настоящее время ИИ особенно хорош в:
- Оптимизации пространства проектирования (для обеспечения высокой производительности и тактовой частоты, эффективного использования пространства на кристалле и динамического энергопотребления).
- Аналитики данных для повышения производительности (что означает большую эффективность производства).
Давайте рассмотрим яркий пример, чтобы лучше понять это. В 2020 году исследователи из Google DeepMind представили статью, в которой описывалось, как их нейронная архитектура с открытым исходным кодом — AlphaChip — может справиться со сложной задачей размещения чипов. Созданная с использованием обучения с подкреплением из предыдущих проектов, она сократила время, необходимое людям-дизайнерам для создания макетов чипов, с недель до нескольких часов.
В целом, модели ИИ «предварительно обучены» базовым задачам проектирования микросхем, таким как размещение компонентов схемы на макете. Затем их заставляют соединять эти компоненты вместе и понимать взаимосвязи между ними.
Метод ИИ AlphaChip создал сверхчеловеческие макеты микросхем, которые используются в ряде аппаратных продуктовGoogle
В случае AlphaChip он сначала тренируется на различных блоках чипов предыдущих поколений, прежде чем сможет взяться за более сложные макеты чипов. Он становится лучше и быстрее с каждым завершением дизайна.
После дополнения к этой статье, которое вышло в сентябре, команда отметила, что AlphaChip создала «сверхчеловеческие» дизайны чипов, используемые в каждой итерации тензорных процессоров Google (TPU) с 2020 года. Это чипы, которые поддерживают многие популярные модели ИИ от Google, включая его конкурента ChatGPT, Gemini.
Различные части чипа Google Tensor Различные части чипа Google Tensor
3) Есть даже ChatGPT для проектирования чипов
Вы, вероятно, знакомы с генеративным ИИ (genAI), который относится к системам искусственного интеллекта, которые могут создавать новый контент (например, текст, изображения, код или музыку), изучая закономерности на основе существующих данных, таких как ChatGPT и Midjourney. Эта технология также начала играть роль в проектировании чипов.
В настоящее время он находится на ранних стадиях в полупроводниковой промышленности. Например, технология genAI от Synopsys действует как система запросов знаний. Она отвечает на вопросы дизайнеров об инструментах EDA и их текущем проекте, а также предоставляет информацию на основе библиотеки ресурсов Synopsys.
GenAI особенно полезен в проектировании микросхем, поскольку это очень сложная область. В недавнем эпизоде How AI Happens от Samaподкасте, вице-президент Synopsys по ИИ и машинному обучению Томас Андерсен описал, как чат-бот может быстро просмотреть длинный список спецификаций, охватывающий около 100 страниц, и обобщить его, чтобы дизайнеру было легко к нему обратиться. Он также может извлекать важные части, такие как ограничения проверки, и помогать с оптимизацией кода.
Со временем эти инструменты будут учиться на рабочих процессах пользователей и предоставлять более предписывающие руководства и рекомендации.
Описывая некоторые ранние результаты демонстрации второго пилота на основе genAI от Synopsys с его клиентами, Андерсен сказал:
«Мы видим рост производительности примерно на 30–50%. На самом деле, есть цитата, в которой говорится, что младшие инженеры теперь работают на уровне опытных инженеров. И это именно то, чего мы хотим. Вы даете власть в руки каждого. И ответы приходят гораздо быстрее, чем если бы вам приходилось спрашивать человека или искать в какой-то документации ответ там».
Следующий шаг — разработать и настроить агентные системы, которые могут выйти за рамки генерации контента и автономно выполнять задачи. Например, предположим, что дизайнер спрашивает чат-бота EDA, как отладить определенную проблему. Система genAI просто опишет потенциальное решение. Агентная система, с другой стороны, пойдет и выполнит работу; она фактически запустит тест или симуляцию, определит проблему, исправит дизайн, чтобы исправить ее, и запустит собственную комплексную тестовую программу, прежде чем представить ее обратно дизайнеру.
Что это оставляет разработчикам человеческих чипов?
Доктор Зориан объясняет, насколько принципиально изменился опыт начала работы в качестве разработчика микросхем за последние годы.
«Вам предоставляется так много знаний и помощи», — говорит он мне, — «что есть много вещей, которые вам не нужно делать самостоятельно».
«Поэтому вы должны знать, как делегировать. Вы должны знать, что делегировать genAI, а что делать самим. Поэтому сегодня мы обучаем наших людей тому, как делегировать и чего ожидать от genAI».
Зориан также подчеркивает, что когда ИИ доступен для выполнения повторяющихся задач, креативность, решение проблем и латеральное мышление в масштабе всей картины становятся наиболее ценными элементами, которые люди могут привнести в игру.
«По мере того, как мы движемся вперед, нам нужны новые архитектуры, — говорит он, — или инновации на уровне архитектуры. Нам нужно новое разделение. Подумайте о процессорах в автомобиле. Как вы разделяете свои чипы в автомобиле? Несколько лет назад у нас было 200 чипов в одном автомобиле. Затем мы перешли к зональной архитектуре. Теперь мы делаем все это всего с одним чипом.
«Это важные архитектурные решения, которые genAI не предложит. Такие важные решения все равно будут приниматься экспертами-людьми».
Куда мы пойдем дальше?
Я не мог не задаться вопросом вслух, почему мы не можем просто попросить систему ИИ спроектировать для нас «лучшие» чипы — создать проекты, которые будут более эффективными, будут оставаться холоднее и обеспечивать большую производительность, чем когда-либо прежде.
Доктор Зориан объясняет, что основным ограничением здесь является доступность данных. Каждая компания, которая использует генеративные инструменты ИИ Synopsys, обучает их только на собственном дизайне чипа и собственной интеллектуальной собственности. Intel не может спросить своего ИИ-бота, как AMD решила конкретную проблему дизайна, и наоборот.
Инструменты, доступные каждой фирме, могут ссылаться на материалы с открытым исходным кодом, но, учитывая сложность проблем в этой области, в настоящее время этого недостаточно, чтобы помочь компании разрабатывать чипы, которые на световые годы опережают конкурентов.
Так как же ИИ повлияет на дизайн чипов в ближайшем будущем?
Synopsys полагает, что ИИ продолжит повышать производительность инженеров и поможет компаниям справиться с двойной проблемой: растущим спросом на мощные чипы и нехваткой квалифицированных инженеров.
ИИ также поможет инженерам быстрее изучать варианты проектирования и принимать более обоснованные решения, что приведет к созданию более эффективных и производительных чипов.
Это также может сделать проектирование чипов более доступным для более широкого круга инженеров, демократизируя эту высокотехнологичную область путем автоматизации многих из более сложных задач. Это также может иметь эффект на уровне компании, потенциально позволяя небольшим фирмам выйти на игровое поле и разрабатывать индивидуальные чипы для специализированных приложений.
Появление genAI в проектировании чипов все еще находится на ранних стадиях, в основном функционируя как помощник по проектированию.
Двигаясь дальше, мы уже используем ИИ для проектирования чипов, которые его питают. Эти модели учатся совершенствовать предыдущие процессоры, выявляя способы повышения технологичности и производительности, а также помогая людям принимать более обоснованные решения о том, как усовершенствовать свои процессы проектирования. Учитывая темпы эволюции этих моделей, может пройти совсем немного времени, прежде чем станет возможным сквозное проектирование ИИ. Все, что нам, людям, нужно будет сделать, это задать целевые параметры, точно сказать ИИ, на что способны производственные инструменты, и бум! Новые чипы, которые превосходят предыдущее поколение.
Продолжая идти по этому пути, эти процессы могут сформировать ключевой цикл усиления в асимптотическом ускорении, который подбрасывает нас к этой дикой идее сингулярности — где ИИ создает машины, которые умнее людей, и каждое новое поколение способно совершенствоваться быстрее предыдущего. Это в равной степени пугающе и увлекательно думать.
Однажды граница между дизайнером и набором инструментов может стать великолепно размытой, и мы создадим вычислительные ландшафты, которые едва можем себе представить. Процессор будущего будет не просто инструментом — он станет соавтором в самых амбициозных технологических мечтах человечества.
