554
在聊人工智能對芯片行業(yè)可能帶來的變革之前，先從一個從業(yè)者的角度聊聊AI對工程師的影響。
這是我郵件的簽名（打碼了部分信息），可以看到有一欄是“Ask my assistant”，這就是我創(chuàng)建的一個我自己的數(shù)字分身的入口。
點擊這個鏈接，就會跳轉(zhuǎn)到一個對話網(wǎng)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(xié)助你解決工作上的問題，我特別希望每一個發(fā)郵件給我的人能先聯(lián)系我的數(shù)字分身。
我的數(shù)字分身它學(xué)習(xí)了我過往積累的技術(shù)知識和解決問題的經(jīng)驗，并且不斷地在更新。這樣做是因為，我發(fā)現(xiàn)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，對于在企業(yè)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(jié)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(shù)人有問題還是會直接給我發(fā)郵件，但我也慢慢的在向其他人介紹我的數(shù)字分身。
芯片是AI的底層硬件基礎(chǔ)，AI也在反哺芯片的設(shè)計和制造。
AI給芯片行業(yè)帶來的第一個變革影響就是芯片設(shè)計的智能化。
這兩年的芯片行業(yè)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(xué)習(xí)和深度學(xué)習(xí)算法來加速芯片的設(shè)計過程。例如，自動布局布線（Place and Route, P&R）、邏輯綜合等步驟可以利用AI進行優(yōu)化，從而減少設(shè)計周期并提高效率。通過AI預(yù)測模型，可以在設(shè)計早期階段識別潛在問題，避免后期昂貴的修改。
對于AI芯片設(shè)計，備受關(guān)注的則是AlphaChip，AlphaChip是Google基于深度強化學(xué)習(xí)（Deep Reinforcement Learning, DRL）技術(shù)開發(fā)的系統(tǒng)，用于自動化芯片布局設(shè)計。
事實上，早在2020 年，Deepmind 就已發(fā)布預(yù)印本論文《使用深度強化學(xué)習(xí)的芯片布局》，介紹了用于設(shè)計芯片布局的全新強化學(xué)習(xí)方法，我在《了不起的芯片》中人工智能與芯片設(shè)計那一章節(jié)也有介紹。
AlphaChip通過對現(xiàn)有的芯片版圖設(shè)計進行學(xué)習(xí)，并優(yōu)化布局過程，進而提升設(shè)計效率。AlphaChip還會針對功率、性能和面積（PPA）等指標進行優(yōu)化，并輸出概率分布，顯著縮短了設(shè)計周期。對這種超大規(guī)模芯片的布局繞線等繁瑣的設(shè)計，非常適合讓AI去做。工程師需要花數(shù)周才能完成的工作，AI只需要花幾個小時。
下面左圖為零樣本下AlphaChip布局開源Ariane RISC-V CPU的結(jié)果，右圖為基于預(yù)訓(xùn)練策略（設(shè)計20個TPU）微調(diào)的效果。
據(jù)我所知，目前超大規(guī)模的芯片設(shè)計，在整個設(shè)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(nèi)（5年）不必有此顧慮，AI還不具備超大規(guī)模芯片的設(shè)計和全局優(yōu)化能力，業(yè)界頭部公司也不會把自己的芯片設(shè)計數(shù)據(jù)拿去給開源模型進行訓(xùn)練。而作為工程師或者行業(yè)從業(yè)者，理解并善用AI工具將成為職場中不可或缺的技能。利用AI進行設(shè)計不僅能顯著提升工作效率，還能為自己的能力背書。對于廣大職場人士來說，我強烈建議大家積極學(xué)習(xí)并運用這些先進的生產(chǎn)力工具。借助AI作為創(chuàng)作助手來提高創(chuàng)意和設(shè)計效率，做一個站在科技前沿的職場達人。
AI給芯片行業(yè)帶來的另一個變革影響就是它推動了芯片架構(gòu)的革新
區(qū)別于傳統(tǒng)的CPU架構(gòu)，各種xPU AI芯片為了處理AI相關(guān)的任務(wù)，都在架構(gòu)上做了一些變化，為了更高效地執(zhí)行機器學(xué)習(xí)任務(wù)，尤其是深度神經(jīng)網(wǎng)絡(luò)中的大規(guī)模矩陣運算，業(yè)界開發(fā)了專門針對這些任務(wù)優(yōu)化的硬件。例如，NVIDIA的GPU（圖形處理器）最初設(shè)計用于圖形處理，但其并行計算能力使其成為訓(xùn)練深度學(xué)習(xí)模型的理想選擇。隨著需求的增長，NVIDIA推出了專門為AI設(shè)計的Tensor Core GPU。另一個例子是Google的TPU專為加速TensorFlow等機器學(xué)習(xí)框架中的操作而設(shè)計。TPU在處理特定類型的AI工作負載時比傳統(tǒng)的CPU或GPU更高效。
從商業(yè)的角度，AI也讓芯片這個被很多人認為是“夕陽”的行業(yè)重新煥發(fā)生機。
AI PC，iPhone 16，大模型訓(xùn)練，自動駕駛等AI需求，也給芯片公司帶來了不錯的業(yè)績，各家芯片公司也是瞄準了AI這塊大蛋糕。從公開資料獲得的主要芯片公司的路線圖可以看出，對AI芯片的布局和投入只增不減。
AI雖好，但是對于芯片這樣一個技術(shù)密度極高的行業(yè)，在很多方面都有局限性，比如：
數(shù)據(jù)質(zhì)量：AI要學(xué)得好，得有大量的高質(zhì)量數(shù)據(jù)才行。但在芯片設(shè)計里，找到能準確反映各種復(fù)雜情況的數(shù)據(jù)集挺難的。如果數(shù)據(jù)不夠或者不準，AI就可能出錯，給出的設(shè)計建議也不靠譜，最后做出來的芯片可能會有問題。
復(fù)雜算法：開發(fā)能夠應(yīng)對各種復(fù)雜設(shè)計情況的強大AI算法是個大難題。AI得能在不斷變化的設(shè)計環(huán)境中適應(yīng)，處理預(yù)料之外的問題。有時候，面對特別復(fù)雜的或有變化的情況時，這些算法可能很難給出準確的預(yù)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。要知道為什么AI推薦某個設(shè)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(shù)整合到現(xiàn)有的EDA工具里也是個難題。兼容性問題和需要合作開發(fā)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(shè)計中的應(yīng)用速度，并限制它改善現(xiàn)有流程的效果。
人工智能和芯片兩個領(lǐng)域已經(jīng)深度融合，芯片加速AI發(fā)展，AI反過來又推動芯片進步總結(jié)起來就是：訓(xùn)練最好的芯片設(shè)計算法→用它設(shè)計更好的AI芯片→用這些芯片訓(xùn)練更好的模型→再設(shè)計更好的芯片→……就連谷歌的DeepMind CEO Hassabis都在twitter調(diào)侃：這下邏輯閉環(huán)了。
