Google、自社のAIは人間よりも優れたチップを設計すると主張 – 専門家は同意しない

Google DeepMindは、同社の人工知能がすでにデータセンターやスマートフォンでさえ使用されているチップの設計に役立っていると述べている。しかし、一部のチップ設計専門家は、こうしたAIは人間よりもうまく新しいチップのレイアウトを計画できるという同社の主張に懐疑的だ。

新たにAlphaChipと名付けられた手法は、人間の数週間や数か月の労力に依存するのではなく、数時間で「超人的なチップレイアウト」を設計できると述べた。 アンナ・ゴールディ そして アザリア・ミルホセイニ、Google DeepMind の研究者によると、 ブログ投稿。この AI アプローチは、強化学習を使用してチップ コンポーネント間の関係を解明し、最終的なレイアウトの品質に基づいて報酬を受け取ります。しかし、独立研究者らは、同社はそのようなAIが専門家の人間のチップ設計者や商用ソフトウェアツールを上回る性能を発揮できることをまだ証明していない、と述べており、彼らは現在の最先端の回路設計を含む公開ベンチマークでAlphaChipのパフォーマンスを確認したいと考えているという。

「Google がこれらのデザインの実験結果を提供してくれれば、公平な比較ができるでしょうし、誰もがその結果を受け入れることを期待しています」と氏は言う。 パトリック・マッデン ニューヨークのビンガムトン大学にて。 「実験の実行にはせいぜい 1 ～ 2 日かかりますが、Google にはほぼ無限のリソースがあります。これらの結果が提供されていないということは、私にとって雄弁に物語ります。」 Google DeepMindは追加のコメントを拒否した。

Google DeepMind のブログ投稿には、 アップデート Google の 2021 年に向けて 自然 雑誌の論文 同社のAIプロセスについて。それ以来、Google DeepMind は、AlphaChip が 3 世代にわたる Google の Tensor Processing Unit (TPU) の設計に役立ってきたと述べています。これは、Google のようなサービスの生成 AI モデルのトレーニングと実行に使用される特殊なチップです。 Gemini チャットボット。

同社はまた、AI支援によるチップ設計は人間の専門家によって設計されたものよりも優れた性能を発揮し、着実に改善されていると主張している。 AI は、チップ コンポーネントの接続に必要なワイヤの全長を短縮することでこれを実現します。これにより、チップの消費電力が削減され、処理速度が向上する可能性があります。また、Google DeepMindによると、AlphaChipはGoogleのデータセンターで使用される汎用チップのレイアウトを作成し、同時にMediaTek社がサムスンの携帯電話で使用されるチップの開発を支援したという。

しかし、Googleが公開したコードには一般的な業界のチップデータ形式がサポートされておらず、これはAI手法が現時点ではGoogle独自のチップにより適していることを示唆している、と述べている。 イーゴリ・マルコフ、チップ設計研究者。 「今日の AlphaChip が何なのか、何をするのか、何をしないのか、私たちはまったく知りません」と彼は言います。 「強化学習には商用ツールで使用される手法よりも 2 ～ 3 桁多くの計算リソースが必要であり、通常は遅れていることがわかっています。 [in terms of] 結果。”

マルコフとマッデンは元の論文を批判した 物議を醸す AlphaChip が匿名の人間の専門家よりも優れたパフォーマンスを発揮するという主張。 「無名の人間のデザイナーとの比較は主観的で再現性がなく、非常に簡単に騙されます。人間の設計者の努力が足りなかったり、資格が不十分だったりする可能性がありますが、ここには科学的な結果はありません」とマルコフ氏は言います。 「AlphaGo が無名の囲碁プレイヤーに勝利したと報告されたら想像してみてください。」

2023年、Googleの論文を査読した独立専門家が 撤回された 彼の 自然 当初は Google の取り組みを賞賛していた解説記事。その専門家は、 アンドリュー・カーン カリフォルニア大学サンディエゴ校でも、 公開ベンチマークの取り組み Google の AI 手法を再現しようとしたところ、人間の専門家や従来のコンピュータ アルゴリズムを常に上回るパフォーマンスを発揮できないことが判明しました。最もパフォーマンスの高い方法は、Cadence などの企業が提供するチップ設計用の商用ソフトウェアでした。 エヌビディア。

「公正な比較と考えられるすべてのベンチマークにおいて、強化学習は最先端技術に比べて大幅に遅れているように見えます」とマッデン氏は言います。 「回路の配置に関しては、それが有望な研究方向だとは思えません。」