人工智能的發展可能會對芯片行業帶來哪些變革影響？

2024-11-19 18:41:24 編輯： robot

導讀在聊人工智能對芯片行業可能帶來的變革之前，先從一個從業者的角度聊聊AI對工程師的影響。這是我郵件的籤名（打碼了部分信息），可以看到有一欄是“Ask my assistant”，這就是我創建的一個我...

在聊人工智能對芯片行業可能帶來的變革之前，先從一個從業者的角度聊聊AI對工程師的影響。

這是我郵件的籤名（打碼了部分信息），可以看到有一欄是“Ask my assistant”，這就是我創建的一個我自己的數字分身的入口。

點擊這個鏈接，就會跳轉到一個對話網頁，你就可以和一位虛擬的工程師對話，你可以問它問題，要求它協助你解決工作上的問題，我特別希望每一個發郵件給我的人能先聯系我的數字分身。

我的數字分身它學習了我過往積累的技術知識和解決問題的經驗，並且不斷地在更新。這樣做是因爲，我發現在工作中的相當一部分時間，大概有30%~50%，我都是在幫助別人解決問題，對於在企業的員工來說，無非就是通過出賣自己的時間來賺錢，那么除了賣自己更多的時間外，如何節省自己的時間也非常重要，AI就可以幫助我做到這一點。盡管多數人有問題還是會直接給我發郵件，但我也慢慢的在向其他人介紹我的數字分身。

芯片是AI的底層硬件基礎，AI也在反哺芯片的設計和制造。

AI給芯片行業帶來的第一個變革影響就是芯片設計的智能化。

這兩年的芯片行業論壇幾乎無法脫離AI的主題，尤其是EDA公司，比如Synopsys的 DSO.ai，Cadence的Cerebrus。

AI可以通過機器學習和深度學習算法來加速芯片的設計過程。例如，自動布局布线（Place and Route, P&R）、邏輯綜合等步驟可以利用AI進行優化，從而減少設計周期並提高效率。通過AI預測模型，可以在設計早期階段識別潛在問題，避免後期昂貴的修改。

對於AI芯片設計，備受關注的則是AlphaChip，AlphaChip是Google基於深度強化學習（Deep Reinforcement Learning, DRL）技術开發的系統，用於自動化芯片布局設計。

事實上，早在2020 年，Deepmind 就已發布預印本論文《使用深度強化學習的芯片布局》，介紹了用於設計芯片布局的全新強化學習方法，我在《了不起的芯片》中人工智能與芯片設計那一章節也有介紹。

AlphaChip通過對現有的芯片版圖設計進行學習，並優化布局過程，進而提升設計效率。AlphaChip還會針對功率、性能和面積（PPA）等指標進行優化，並輸出概率分布，顯著縮短了設計周期。對這種超大規模芯片的布局繞线等繁瑣的設計，非常適合讓AI去做。工程師需要花數周才能完成的工作，AI只需要花幾個小時。

下面左圖爲零樣本下AlphaChip布局开源Ariane RISC-V CPU的結果，右圖爲基於預訓練策略（設計20個TPU）微調的效果。

據我所知，目前超大規模的芯片設計，在整個設計周期中基本都借助AI來進行一些輔助工作。

那么問題來了，AI會不會搶工程師的飯碗？我的答案是短期內（5年）不必有此顧慮，AI還不具備超大規模芯片的設計和全局優化能力，業界頭部公司也不會把自己的芯片設計數據拿去給开源模型進行訓練。而作爲工程師或者行業從業者，理解並善用AI工具將成爲職場中不可或缺的技能。利用AI進行設計不僅能顯著提升工作效率，還能爲自己的能力背書。對於廣大職場人士來說，我強烈建議大家積極學習並運用這些先進的生產力工具。借助AI作爲創作助手來提高創意和設計效率，做一個站在科技前沿的職場達人。

AI給芯片行業帶來的另一個變革影響就是它推動了芯片架構的革新

區別於傳統的CPU架構，各種xPU AI芯片爲了處理AI相關的任務，都在架構上做了一些變化，爲了更高效地執行機器學習任務，尤其是深度神經網絡中的大規模矩陣運算，業界开發了專門針對這些任務優化的硬件。例如，NVIDIA的GPU（圖形處理器）最初設計用於圖形處理，但其並行計算能力使其成爲訓練深度學習模型的理想選擇。隨着需求的增長，NVIDIA推出了專門爲AI設計的Tensor Core GPU。另一個例子是Google的TPU專爲加速TensorFlow等機器學習框架中的操作而設計。TPU在處理特定類型的AI工作負載時比傳統的CPU或GPU更高效。

從商業的角度，AI也讓芯片這個被很多人認爲是“夕陽”的行業重新煥發生機。

AI PC，iPhone 16，大模型訓練，自動駕駛等AI需求，也給芯片公司帶來了不錯的業績，各家芯片公司也是瞄准了AI這塊大蛋糕。從公开資料獲得的主要芯片公司的路线圖可以看出，對AI芯片的布局和投入只增不減。

AI雖好，但是對於芯片這樣一個技術密度極高的行業，在很多方面都有局限性，比如：

數據質量：AI要學得好，得有大量的高質量數據才行。但在芯片設計裏，找到能准確反映各種復雜情況的數據集挺難的。如果數據不夠或者不准，AI就可能出錯，給出的設計建議也不靠譜，最後做出來的芯片可能會有問題。

復雜算法：开發能夠應對各種復雜設計情況的強大AI算法是個大難題。AI得能在不斷變化的設計環境中適應，處理預料之外的問題。有時候，面對特別復雜的或有變化的情況時，這些算法可能很難給出准確的預測或建議。

可解釋性：AI很多時候像是個“黑盒子”，讓人搞不懂它到底是怎么想的。要知道爲什么AI推薦某個設計方案很重要，這樣才能驗證和接受它的建議。如果解釋不清楚，人們就會對AI做的決定不太信任，工程師也難以理解和驗證AI的選擇。

工具集成：把AI技術整合到現有的EDA工具裏也是個難題。兼容性問題和需要合作开發新工具都可能讓這個過程變得不順利。工具整合上的困難可能會拖慢AI在芯片設計中的應用速度，並限制它改善現有流程的效果。

人工智能和芯片兩個領域已經深度融合，芯片加速AI發展，AI反過來又推動芯片進步總結起來就是：訓練最好的芯片設計算法→用它設計更好的AI芯片→用這些芯片訓練更好的模型→再設計更好的芯片→……就連谷歌的DeepMind CEO Hassabis都在twitter調侃：這下邏輯閉環了。