【新智慧導論】傳統積體電路設計耗時費力。人工智慧能否提高工作效率？在今年的積體電路固態電路大會上，包括Google人工智慧負責人傑夫迪恩在內的四位產業領袖闡述了人工智慧應用對處理器、量子運算、結構創新等領域的重大影響。 “新知源急聘首席撰稿人、編輯、營運經理和客戶經理。添加人力資源微信（Dr-wly）或掃描文章末尾的二維碼以了解更多信息。”

今年的整合固態電路會議（ISSCC）的主題是“積體電路驅動人工智慧時代開幕全體會議旨在探討人工智慧在多大程度上「改變」了半導體領域。
 

Google 人工智慧負責人 Jeff Dean、聯發科高級副總裁盧光宏、Imec 專案總監 Nadine Collaert 和 IBM 研究院總監 Dario Gil 分別闡述了電子領域對人工智慧的期望和要求，例如如何推動專為人工智慧應用設計的新型處理器（以及 CPU 和 GPU）；促進結構創新（例如小型晶片、多晶片封裝、人工智慧層）；甚至影響
 
佈局和路徑規劃太耗時？ Google AI 可協助您降低成本並提高效率。
   
上週，ISSCC大會在舊金山舉行。會議期間，Google表示人工智慧與電路設計同等重要，並宣布谷歌正嘗試利用機器學習來解決積體電路設計過程中的自動化佈局和佈線問題。並取得了良好的效果。  
近年來，人工智慧的應用一直是電子領域的研究熱點和焦點。這個方向吸引了大量半導體研究人員投身於傳統方法與人工智慧結合的研究。尤其值得一提的是，今年的整合固態電路會議（ISSCC）甚至將會議主題定為：「利用積體電路推動人工智慧新時代的到來開幕式也闡明了本次會議的宗旨，即探討人工智慧對半導體領域研究的影響。
開幕式上的四位演講者解釋了人工智慧的需求如何推動新型人工智慧專用處理器（與 CPU 和 GPU 相比）的設計，如何促進結構創新（例如使用小型晶片、多晶片封裝或插件設計），甚至如何影響未來量子運算的發展。  
大會的第一位發言人是Google人工智慧負責人傑夫迪恩。傑夫·迪恩提到，谷歌正在進行以下方面的試驗：利用機器學習在積體電路設計中執行佈局佈線任務也就是說，讓人工智慧學習積體電路的佈局和佈線，從而節省設計專家的人力勞動。      比較人類ASIC專家和低功耗機器學習加速晶片的佈局佈線結果。谷歌有意模糊了影像的部分內容。 （圖片來源：Google研究院/ISSCC）
傑夫迪恩首先簡要介紹了人工智慧和機器學習的發展歷程，然後講解了機器如何學習下西洋雙陸棋、深藍如何下國際象棋以及AlphaGo如何擅長下圍棋。如今，人工智慧已經能夠處理非常複雜的電子遊戲（例如《星海爭霸》），並取得「里程碑式的成果」。同時，機器學習也被廣泛應用於醫學影像領域。機器人技術、電腦視覺、自動駕駛、神經科學、農業、天氣預報及其他領域。  
  幾十年來，推動電腦科技發展的基本理念一直是：問題越大，我們投入的運算能力就越多。處理能力越強，就能解決更大的問題。這條規則一度也適用於人工智慧問題。然而，隨著問題規模的爆炸性增長，這條規則很快就被打破了。因為我們根本無法騰出足夠的CPU/GPU資源來解決如此龐大的問題。  
事實已經證明人工智慧/機器學習不需要像傳統CPU/GPU那樣複雜的運算能力，所需的數學運算更簡單，所需的精度也低得多。這項發現意味著專用的AI/ML加速器不必像CPU/GPU那麼複雜。基於此，Google設計了TensorFlow加速器，並推出了第三代產品，第四代產品也即將發布。 AI/ML處理器設計相對簡單，因此成本也相對較低，所有這些都使得將機器學習進一步推向網路邊緣變得更加容易。截至2019年，Google已經推出了一款非常緊湊的智慧型手機專用型號。  
目前所有基於人工智慧的應用（自動駕駛、醫學成像、遊戲）都是透過訓練專門的人工智慧/機器學習系統來實現的。那麼，人工智慧能否將從一個系統中學到的知識應用到它從未見過的新系統中呢？答案很明確：「可以」。  
「我之所以提出這個問題，是因為我們開始考慮在 ASIC 設計中使用 AI 進行佈局佈線，」傑夫迪恩說。佈局和路由比 Go 語言困難得多：目標更加模糊，問題的規模也更大。谷歌創建了一個地點和路線學習模型，然後嘗試進一步推廣該工具。 「到目前為止，我們所有的嘗試都取得了非常好的結果，」傑夫迪恩說。 “它的性能略優於人類，有時甚至遠勝於人類。”谷歌比較了使用機器學習進行佈局佈線與使用商業軟體的有效性。測試電路包含多個不同的模組，其中包括一個 Ariane RISC-V CPU。 （圖片來源：Google研究院/ISSCC）
「更好」指的是極短時間內完成佈局和路徑規劃。這項任務通常需要人類設計專家花費一周甚至數週的時間才能完成。ML佈局佈線器通常可以在24小時內完成相同的工作量，而且佈局佈線通常更短。. 要了解 ML 佈局佈線器在自動佈局佈線方面的更出色性能，請參閱 Cadence 公司的 Rod Metcalfe 撰寫的文章“EDA 中的機器學習加速設計週期”。  
Jeff Dean表示，機器學習還可以擴展到積體電路設計流程的其他環節，例如利用機器學習生成測試案例，從而更全面地驗證ASIC設計；以及利用機器學習改進高級程式碼綜合，以實現更優化的設計。這些潛在的應用方向對於機器學習本身的普及至關重要，對於加速積體電路設計的發展也同樣重要。  
高成本、高功耗的CPU/GPU並非必要，邊緣運算可以客製化。
   
聯發科高級副總裁兼首席策略長羅國雄指出，物聯網設備將數百億個事物連接在一起，但人工智慧正在改變所有與網路連接的事物。  
人工智慧向邊緣運算發展的部分原因正如迪恩在本節前面提到的那樣，還有許多其他原因，包括：減輕資料中心日益增長的處理負擔，並最大限度地減少網路流量以及那些需要近本地處理的即時應用。本地處理要求：速度快（必須專為人工智慧運算設計）且功耗低。這些專為人工智慧設計的處理器被稱為人工智慧處理器單元 (APU)。 APU 的靈活性可能不如 CPU，但由於它是專用的，APU 的效能是 CPU 的 20 倍，功耗卻比 CPU 低 55 倍。。  
協同設計多個系統是否困難？人工智慧助您開啟奇經八脈。
   
Imec專案總監Nadine Collaert指出，摩爾定律在未來幾年可能仍然適用。儘管CMOS尺寸的縮小越來越困難，但FinFET、奈米片、叉狀片等技術可用於進一步縮小晶片級CMOS的尺寸。人們普遍認為，3D技術是最佳方法，包括多層封裝、矽通孔以及與其他標準單元的精細連接。具體技術的選擇需要根據系統設計要求和可用裝置屬性來決定。 「這將是一項複雜的工作，」Collaert說。這將給EDA供應商帶來巨大壓力，因為這要求EDA供應商在工具層面支援不同解決方案的試驗和比較。  
無線通訊系統的前端模組將面臨特殊的挑戰。 “通常，這些系統種類繁多：使用來自不同技術的多種不同組件，而且隨著天線、功率放大器和濾波器的加入，前端模組會變得更加複雜。”無線通訊產業正朝著更高頻率和更高效率的方向發展。一種方案是將GaN和SiC等III-V族材料與CMOS製程結合，以充分發揮兩種材料的優勢。 Nadine Collaert舉例說明了在絕緣體上矽（SOI）基板上生長的III-V族材料的三維奈米脊結構，同時指出這方面仍有許多工作要做。      Imec展示了在絕緣體上矽（SOI）基板上生長III-V族材料三維奈米脊的能力
至於機器學習對記憶體的影響，則更為顯著。人工智慧和機器學習等新興應用需要快速存取記憶體。人們迫切需要關注並發展記憶體計算。隨著邏輯和儲存的日益融合，3D封裝必將發揮重要作用。  
量子運算和人工智慧可以相互促進、相輔相成。
   
 

IBM 研究總監達裡奧·吉爾在會上進一步提到了通用人工智慧：他總結道，幾乎可以肯定的是，通用人工智慧將在量子電腦上實現。最大的益處可能來自於位元（數位處理）、神經元（人工智慧）和量子位元（量子運算）的互補使用。IBM 於 2016 年開放了第一台量子電腦的使用權限，現在擁有 15 台量子電腦的使用權限，其中包括其最新的 53 量子位元型號。

免責聲明：本文轉載自「新知源」。本文僅代表作者個人觀點，不代表Sacco Micro及業界立場。轉載分享僅為支持智慧財產權保護。轉載請註明原出處及作者。如有侵權，請聯絡我們刪除。

公司電話號碼：+86-0755-83044319
傳真：+86-0755-83975897
郵箱：1615456225@qq.com
QQ：3518641314 李經理

QQ：332496225 邱經理

地址：深圳市龍華新區民治大道1079號展濤科技大樓C座809室