Google AI 碾压集成电路设计专家，ASIC智能设计时代来了！

正文

请到「今天看啥」查看全文

人类ASIC专家的布局布线结果和一个低功耗ML加速器芯片的布局布线结果对比。谷歌故意遮盖了部分图像。（来源：Google Research / ISSCC）

Jeff Dean首先简要介绍了AI和ML的发展历史，接着介绍了机器如何学习玩双陆棋，深蓝如何下国际象棋, alphago如何擅长下围棋 。以及现在的AI可以应对非常复杂的视频游戏（例如《星际争霸》）并且取得了“具有里程碑意义的成绩”。同时 机器学习还被广泛应用于医学成像，机器人技术，计算机视觉，自动驾驶，神经科学，农业，天气预报等领域。

数十年来，推动计算技术发展的基本思想是：问题越大，我们就给它更强的计算能力。如果你拥有的处理能力越强，你就可以解决的更大的问题。在一段时间里，这个规则也适用于解决AI问题。但是，这个规则很快就被爆炸式增长的问题空间所打破。因为我们根本无法攒够足够多的CPU/GPU来解决这样的问题。

事实证明，AI / ML不需要典型的CPU / GPU的复杂功能，所需的数学运算也更简单，而且要求的精度也低很多。这个发现带来的影响是：专用的AI / ML加速器不必像CPU / GPU那样复杂。基于此Google设计了TensorFlow加速器，并且已经推出第三代产品，第四代产品也很快会发布。AI / ML处理器设计相对简单，因此也相对便宜，所有这些都使得将机器学习进一步推向网络边缘变得更加容易。截至2019年，Google已经拥有一款可在智能手机上使用的非常紧凑的模型。

当前阶段每个基于AI的应用程序（自动驾驶，医学成像，游戏）都是通过训练专用的AI / ML系统而实现。那么，AI能将一个系统上学到的知识应用到从未见过的新系统中吗？答案很明确：“YES”。

“我之所以提出这一点是因为我们开始考虑将AI用于ASIC设计中的布局布线” Jeff Dean说，“布局布线的难度远远大于围棋：目标更模糊，问题规模反而更大”。Google已经创建了布局布线的学习模型，然后尝试该工具是否可以进一步推广。Jeff Dean说“到目前为止，我们在所有尝试中都获得了非常好的结果。它的性能要比人类好一些，有时甚至要好很多。”

Google将使用机器学习布局和布线的效果与商用软件进行了比较。 测试电路是几个不同的模块，包括Ariane RISC-V CPU。（来源：Google Research / ISSCC）

“更好”指的是在非常短的时间内完成布局布线。如果让人类设计专家完成这项任务通常需要一周甚至数周时间。而ML布局布线器通常在24小时内就能完成相同的工作量，并且布局的连线通常更短。ML布局布线器在自动布局和布线方面的更多出色表现可以参考由Cadence公司Rod Metcalfe撰写的“在EDA中进行机器学习可加快设计周期”的文章。

请到「今天看啥」查看全文