[新聞] DeepMind 發現突破摩爾定律的最新晶片設

[ljsnonocat2 (凡所有相皆是虛妄)]

DeepMind 發現突破摩爾定律的最新晶片設計法！NVIDIA 獨霸 AI 晶片的地位恐不保？
https://buzzorange.com/techorange/2023/08/08/train-ai-design-chip/

正當 NVIDIA 與 AMD 等晶片大廠競相以最大產能，試圖填補目前市場對算力無窮盡的需求，市場對如何建構性能越強、運行成本更低的晶片，興趣更勝以往，像是Google 與亞馬遜等雲端巨頭，紛紛投入大量資源研發自家的 AI 晶片，好超車對手。

近日 Google 一項設計晶片的新技術，被權威科學期刊《Nature》認為是有望超越摩爾定律、晶片產業的重大突破。

摩爾定律難突破！優化電路組合效率，比增加電晶體數量可行
要解釋這項新技術，首先得了解目前晶片產業，面臨摩爾定律即將到達極限的窘境。摩爾定律內容是：「積體電路上可容納的電晶體數目，約每隔兩年便會增加一倍。」

該定律自 1970 年代被提出，但現行晶片上可容納的電晶體數目已接近物理極限，很難再有「兩年翻倍」這種成長效率，因此大廠們無一不想找到其他能夠增強晶片效能的方法。

Google 旗下研究機構 DeepMind 在一項歷時 18 個月的最新研究計畫中找到了。

DeepMind 找到的解方不是想辦法增加更多電晶體在積體電路上，而是想辦法讓現有晶片內部的積體電路，以更有效率的方式排列組合，此舉同樣有助於強化晶片性能。

所謂讓積體電路以更有效率的方式排列組合，涉及的是晶片設計中，成為設計邏輯積體電路的階段。要知道一塊計算機晶片上有數以萬計個積體電路，每個組件的佈置、連結方式，將大大影響其運行速度與效率。

要手動改善一個積體電路的擺法雖然很簡單，但要一次優化幾百萬個積體電路的配置絕不可能，因此 DeepMind 將主意動到了最會做佈局規劃的深度學習技術。

借重深度學習預判棋局之力，用 AI 模型設計 AI 專用晶片！
還記得當初 AlphaGo 與國際棋王李世犒麉棤隉H深度學習如今被認為是最擅於接受佈局挑戰的技術。把晶片上數百萬個積體電路想像成是棋盤上的棋子，當深度學習能從每場賽局中預測出最好的致勝走法，同樣也能替所有組件安排出最佳的連接配置。

當初研究人員餵給 AlphaGo 數十萬張人類對弈的棋譜，好訓練其模型。這次 Google 工程師也搜集了一萬張左右的晶片平面配置圖，好讓深度學習模型計算出最佳的積體電路擺法。據《華爾街日報》報導，今年 6 月，DeepMind 倚賴深度學習所設計出的晶片，剛贏得一場小型的晶片開發比賽。且其運行效率比第二名的晶片快了約 30%。

Google 下一代 TPU 低功耗高效能，專門用來訓練 AI
目前 Google 內部的研究科學家 Azalia Mirhoseini 和 Anna Goldie 在接受《the Verge》採訪時指出，該技術預計會用來設計 Google 的下一代 TPU。TPU 是 Google 替自家專用於機器學習、訓練 AI 的訂製化晶片所取的名稱，於 2016 年 Google I/O 年會首次亮相。當 TPU 利用於處理數據、AI 相關任務時，具備功耗較低、運算速度較快的特性。

此話若真，那 Google 的最新一代 TPU 將是首樁利用深度學習打造商業晶片的案例。「這提供了晶片產業一個改善晶片性能的全新方向。」德州大學奧斯汀分校的電腦工程教授 David Pan 指出，DeepMind 發現的改良方法不僅 TPU，幾乎所有晶片，無論是 CPU 還是 GPU，都有望能遵循該方法優化。



--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.137.210.48 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1691595002.A.0AC.html
→ XDDDDXDDDD  : ai自己設計自己用
推 sweetpotatoa: 倒不如讓ai寫不會congestion 的電路
→ freef1y3    : 之前好像有硬體仔一直嘴軟體仔會被AI取代
推 wju1230     : 查起來是用神經網路的方式做synthesis
→ wju1230     : 還有用下圍棋那招 來做邏輯化簡
推 Brioni      : 真要彎道超車？
→ Brioni      : 現在幾是用AI到處破壞遊戲體驗
→ Brioni      : 什麼領域都用AI來噁心圈子一下
噓 aasslleepp  : 只會設計有什麼用   就只是出一張嘴  ai已經學會人
→ aasslleepp  : 類的陋習了
推 Coslate     : APR仔要掰了
→ samm3320    : 做synthesis那也是取代軟體仔的工作不是？
推 misomochi   : 優化APR治標不治本吧?
推 www17010    : APR跟Synthesis都要掰了嗎
噓 a000000000  : APR哪可能掰   說穿惹只是強化APR而已八
推 HenryLin123 : Synthesis也是硬體仔按按鈕而已，沒差吧。
→ HenryLin123 : Synthesis的程式本來就軟體仔寫的不是嗎？
推 h9602b      : 不清楚他這裡指的可完成的布局達到什麼標準，conges
→ h9602b      : tion，timing free? 要達到的指標那麼多...
推 yytseng     : 改standard cell才是治本之道
推 iamala      : 硬體仔按按鈕就能賺錢，軟體仔還要跪求硬體仔買來
→ iamala      : 按按鈕說XD
推 jheli       : 純推AlphaGo真的厲害，現在跟AI下棋都被電假的QQ
推 GymRat      : APR低調爽
推 abc0922001  : 李世犒麉棤隉H
→ cunankimo   : 結果g自己的pixel cpu慘輸高通
→ dildoe      : 想吹就弄個用AI就不會拉屎的 吹起來不是比較蘇湖嗎?
推 dagehoya5566: Apr就np complete問題 就算ai來也沒用
推 MATTANDLOLI : g自己的pixel就超爛 還吹
推 Litfal      : AI也不是跑最佳解，跟np complete沒關係吧
推 okgogogo    : 都給ai玩就好了，人類負責享受
推 utn875      : AI往自主自足，又走了一小步
推 xonba       : 說了那摸多 不就EDA= =
推 kyle5241    : 幹掉蘋果吧，蘋果就不敢忽略AI了
推 jamesho8743 : 下棋 程式 電路 這種有明確規則 明顯對錯的 都是AI
→ jamesho8743 : 擅長的 改良優化後 很快就會超越人類水準
推 jamesho8743 : N P不N P的不重要 只要達到人類頂尖或超過人類水準
→ jamesho8743 : 就行
推 doranako    : 天蛇cpu
→ cphe        : AI 只要可以做到現階段常規做法做不到的優化就算是
→ cphe        : 成功了
→ cphe        : Google也不是做什麼都成功，失敗的產品一大堆，檯
→ cphe        : 面上看到的都是活下來的
→ samm3320    : 如果成功的話cadence synopsis 可以少聘點RD
推 ooxx05312   : AI要做APR應該也要很制式的design吧 ,
推 lpoijk      : 阿就U化 這篇新聞根本廢文
推 saygogo     : 進步一個節點
推 shikemurajy : 阿不就EDA==