Какво значи AI да проектира чипове за AI

TPU чиповете на Google, част от облачните услуги, се използват и за вътрешно изследване на AI
(снимка: Google)

Google е намерила начин да използва машинно самообучение, за да помогне за проектирането на следващото поколение чипове за… машинно самообучение. Дизайнът на алгоритъма е „сравним или превъзхождащ” тези, създавани от хората, казват инженерите на Google.

Разликата е, че чрез изкуствения интелект чиповете могат да бъдат проектирани много, много по-бързо. Според технологичния гигант, работата, която на хората отнема цели месеци, може да бъде изпълнена от AI за… по-малко от шест часа.

Google от години работи върху въпроса как да използва машинно самообучение за създаване на чипове. Най-новото ѝ постижение обаче – описано наскоро в статия в списание Nature – изглежда като да е първият път, когато изследванията са приложени към комерсиален продукт: това е предстоящата версия на собствените чипове TPU на Google, които са оптимизирани за AI-изчисления.

„Нашият метод е използван в производството за проектиране на следващото поколение Google TPU”, пишат авторите на доклада, ръководени от изследователите на Google – Азалия Мирхосеини и Анна Голди. С други думи, изкуствен разум помага да се ускори бъдещето на развитието на изкуствения разум, отбелязва The Verge.

В статията си инженерите на Google отбелязват, че разработката им има „фундаментални последици” за чип-индустрията. Тя трябва да позволи на компаниите да изследват по-бързо възможното архитектурно пространство за предстоящи проекти и по-лесно да персонализират чиповете за конкретни натоварвания.

Редакционна статия на Nature пък нарича изследването „важно постижение” и отбелязва, че подобна работа може да помогне за компенсиране на прогнозирания край на Закона на Мур. Това е аксиома за проектирането на чиповете от 70-те години, която гласи, че броят на транзисторите на чипа се удвоява приблизително на всеки две години.

Изкуственият интелект няма да реши непременно физическите предизвикателства от „натикването” на все повече транзистори върху чиповете, но може да помогне за намиране на други пътища за увеличаване на производителността.

Конкретната задача, с която се занимават алгоритмите на Google, е известна като „разпределение на площта”. Това обикновено изисква дизайнерските умения на хора, които работят с помощта на компютърни инструменти, за да намерят оптималното оформление на силициевата матрица за подсистемите на чипа.

Компонентите включват неща като процесори, графични процесори и ядра на паметта, които са свързани всички заедно, използвайки десетки километри микроскопично окабеляване. Да се реши къде да се постави всеки компонент върху матрицата е нещо, което влияе пряко върху евентуалната скорост и ефективност на чипа. И като се имат предвид както мащабът на производството на чипове, така и изчислителните цикли, нанометровите промени в разположението могат в крайна сметка да имат огромни ефекти.

Алгоритми с изкуствен интелект са използвани за проектиране на TPU чиповете на Google
(снимка: Google)

Инженерите на Google отбелязват, че проектирането на разпределението на площта отнема „месеци интензивни усилия” за хората, но от гледна точка на машинното обучение има познат начин за справяне с този проблем: подхожда се като настолна игра.

AI неведнъж е доказал, че може да превъзхожда хората в настолните игри като шах, а инженерите на Google отбелязват, че планирането на площта е аналогично на подобни предизвикателства. Вместо дъска за игра има силициева матрица. Вместо фигури като офицери и топове има компоненти като процесори и графични процесори. Следователно задачата е да се намерят „условията за победа” на всяка дъска. При шаха това е достигането до мат, при проектирането на чипове е изчислителната ефективност.

Инженерите на Google са обучили алгоритъма чрез набор от 10 000 пространствени разпределения с различно качество, някои от които са генерирани на случаен принцип. Всеки дизайн е бил маркиран със специфична „награда” въз основа на успеха му по различни показатели като дължината на необходимия проводник и потребление на енергия. След това алгоритъмът е използвал тези данни, за да направи разлика между добри и лоши разпределения и да генерира свои собствени проекти.

Както вече е виждано по време на настолни игри с участието на изкуствен интелект, машините не мислят непременно като хората и често стигат до неочаквани решения на познати проблеми. Когато AlphaGo на DeepMind надигра шампиона Лий Седол на играта Go, тази динамика доведе до скандалния „ход 37” – на пръв поглед напълно нелогично поставяне на фигура от страна на изкуствения разум, което обаче доведе до победа.

Е, нищо толкова драматично не се е случило с алгоритъма за проектиране на чипове на Google, но въпреки това пространствените планове изглеждат доста по-различни от тези, създадени от човеците-проектанти. Вместо спретнати редове от компоненти, разположени върху матрицата, подсистемите изглеждат сякаш почти случайно са разпръснати по силиция.

Резултатите тепърва ще бъдат изследвани, но обещанието е голямо. Случаят далеч не е единственият, в който става дума за проектиране с помощта на изкуствен разум. Google проучва използването на AI в други части на процеса, като „проучване на архитектурата”, а конкуренти като Nvidia търсят други методи за ускоряване на работния процес.

Изглежда можем да очакваме „завъртането” на невероятния цикъл, в който изкуственият интелект проектира чипове за изкуствен интелект…