揭秘AI造芯助力突破摩尔定律，释放人力成本

　　2 月 9 日消息，据 IEEE 报道，随着 AI 在芯片设计方面的应用，芯片性能提升周期在逐渐缩短，有可能打破＂每隔 18 个月芯片性能可提升一倍＂的摩尔定律。
　　MathWork 公司 MATLAB 平台的高级产品经理希瑟・高尔（Heather Gorr）表示，AI 技术能够帮助提升芯片测试效率，相比用人工排查异常，用 AI 排查问题的速度明显更快 。基于 AI 设计的代理模型（surrogate model）能够对实验数据中的参数进行调整，对实验结果进行模拟，实现模型的快速更新迭代。
　　但相对物理模型（physics-based model）来说，代理模型的精确度较低，还需要人对其结果进行整合。即便如此，在芯片设计过程中运用 AI 的确能大幅度释放人力成本，将人力用于更高级的任务，实现技术与人的互助。 一、用 AI 处理海量数据，快速寻找问题诱因
　　在将 AI 用于芯片设计之前，工程师和设计师只能通过缩小晶体管来提高芯片的性能，现在，AI 逐渐成为提升芯片性能的关键，如三星在其存储芯片中运用 AI 实现更快、更节能的内存处理，谷歌 TPU V4 AI 芯片的处理速度也比之前的版本高出一倍。
　　高尔表示，AI 能够运用到芯片产品生命周期的大部分环节，尤其是芯片设计环节。因为即使在设计过程中考虑到了各种可能出现的问题，产品测试时还是会出现许多异常情况，如果依靠人工在海量数据中分析问题可能的诱因，那么工作量会比较大而且速度也较慢，这时就可以运用 AI 完成探索频域、数据同步或重采样之类的任务。
　　在这个过程中，AI 通常被看作一种预测问题的工具，但很多时候工程师也能从 AI 提供的信息中获取灵感 ，发现一些此前未注意到的问题、想出一些新的逻辑建模方式。高尔强调，目前 GitHub 和 MATLAB 平台上已经有许多人公布了相关程序代码，工程师们可以直接利用这些工具完成相关任务，提升工作效率。二、代理模型节省计算时间，提高产品优化效率
　　高尔向 IEEE 介绍了 AI 在芯片设计中的具体应用方式。
　　以往的芯片设计工作是基于物理方面的实验进行的，但 AI 能够提供一个代理模型，对输入的数据进行参数扫描、优化，进行蒙特卡洛模拟（随机抽样模拟方法）等，相比进行实际的电路电路调整等工作，代理模型在优化性能方面花费的时间要少得多。
　　IEEE 表示，在某种意义上，可以将基于 AI 的代理模型看作一种数字孪生的产品，即在物理模型和实验数据的基础上，通过代理模型调整参数、模拟实验，实现模型的快速迭代。
　　但是，高尔指出，基于 AI 的代理模型往往不如基于物理方法的模型精确，这正是需要代理模型进行多次模拟和参数扫描的原因。代理模型能够对芯片设计和制造的每一个细节可能产生的问题进行预测，但还需要人类对这些结果进行整合。三、AI 不能包揽芯片设计，还需要人的参与
　　高尔介绍了用 AI 技术设计芯片时工程师和设计师需要做的工作。对于工程师和设计师来说，他们只需要确定想要解决的问题，然后就可以把具体的解决工作交给 AI，让代理模型对各个组件的参数进行调整、模拟，最后由工程师和设计师记录最优解下的参数。
　　这帮助工程师和设计师们从一部分繁琐的工作中解放出来，大大释放了人力资本。高尔表示，用 AI 进行芯片设计能够减少资源浪费，优化芯片设计，但她强调，在最终的决策环节不能离开人的参与 ，基于 AI 的代理模型能够帮助人们完成很多工作，但其利用率的高低取决于人们如何运用它，实现技术与人的互动。结语：AI 打入芯片行业，提升智能化水平扩展应用领域
　　目前，GitHub 和 MATLAB 平台上已经公布了众多与芯片设计相关的程序，行业内越来越多的公司开始将 AI 纳入芯片设计工作，释放人力成本，提升工作效率 。基于 AI 的代理模型在加快模型更新方面起到了重要作用，芯片设计所需的时间也随之缩短，未来，人们有可能不需要等待 18 个月，就能看到性能翻倍的芯片。
　　随着科技的发展，AI 越来越渗透入人们的生活之中，从智能家居、语言处理再到健康管理，AI 的应用无处不在，在精密度极高的芯片领域，AI 也能够分一杯羹，谷歌甚至开发出了让 AI 进行自主编码的工具，未来，AI 的智能化和应用范围还将达到怎样的高度和广度，值得期待。