(資料圖)

資料來源：arXiv等

作者：詹士 Enzo

物聯(lián)網(wǎng)智庫 原創(chuàng)

導讀

史無前例的嘗試！科學家已經開始使用ChatGPT設計芯片了。生成式人工智能正在迅速拓寬其應用邊界，你可能以為它還只是一個聊天機器人，實際上，生成式AI已經能“造”芯片了。近日，紐約大學坦登工程學院的研究人員通過與AI“對話”，首次實現(xiàn)了由人工智能來設計一種微處理器芯片。該團隊用“史無前例”描述此項研究。據(jù)稱，這項成果的發(fā)布表明——生成式人工智能在硬件設計領域具備極高的潛在應用價值，這不僅會對整個半導體芯片的研發(fā)起到加速作用，同時意味著“高不可攀”的半導體芯片設計門檻也會降低，甚至并非專門擁有該領域技術技能的人也可以參與其中。作為參與者之一，紐約大學坦登工程學院電氣與計算機工程系、紐約大學網(wǎng)絡安全中心助理教授哈蒙德?皮爾斯博士（Dr. Hammond Pearce）自己坦言，“我根本不是芯片設計專家，這是我設計的第一塊芯片，這也正是為什么我覺得它會如此令人印象深刻的原因?！蹦壳霸擁椦芯恳呀洶l(fā)布在arxiv預印本平臺上，論文題為ChipChat：對話式硬件設計的機遇與挑戰(zhàn)。在論文中，研究團隊展示了兩名硬件工程師如何通過用英語與GPT-4“交流”，進而設計出新型微處理架構并送去制造的過程。他們到底如何完成ChipChat項目研究的？一起來看看。

一個“好奇”翻開了生成式AI的另一面

ChipChat項目的啟動或許只是源于一個“好奇”。人工智能潮涌下，多數(shù)人對于大語言模型（LLM）的理解仍然停留在“好玩”，但皮爾斯博士顯然并不這么認為。ChipChat項目就是要探索——現(xiàn)有的生成式AI大語言模型在硬件設計領域的能力和局限性。一般來說，開發(fā)任何類型的硬件，包括芯片在內，都需要從常用語言的需求描述開始，然后通過需求對接，再讓專業(yè)的工程師用適合開發(fā)的語言對硬件進行描述。在上述過程中，我們需要將自然語言描述轉換成硬件描述語言 (HDL)，比如Verilog，這使得只有少數(shù)經多年培訓的工程師才能上手。ChipChat項目正是面向該問題探索解決途徑。為此，研究團隊計劃先通過對話的方式讓AI生成相應代碼，然后對代碼加以檢驗，直到確認無誤后，他們再將編寫的Verilog交付工廠進行生產；基于上述思路，他們用提示詞一同測試了OpenAI旗下ChatGPT的4和3.5版，以及谷歌的Bard和HuggingChat一共4種生成式對話AI，通過對話方式提供提示詞，讓它們設計一個8位移位寄存器。這4個大語言模型均為近期熱門角色，其中，GPT-4發(fā)布于今年3月份，3.5版本的推出時間是在去年11月。HuggingChat是來自Huggingface平臺的開源對話模型，推出時間為今年4月。初步測試顯示，Bard和HuggingChat兩個模型在測試中對話生成設計一直未能滿足設計要求，研究團隊嘗試5次仍未能達標。相比下，兩個版本ChatGPT的設計初步滿足了設計規(guī)格要求。即便發(fā)生錯誤，經過調試，ChatGPT亦能自行調整代碼，以達到人類要求：更進一步，研究團隊讓兩個版本的ChatGPT面向更多需求進行相關設計，再依靠模擬反饋結果進行調試。這其中，“NFN”為無需反饋直接完成任務；“TF”指的是AI依據(jù)機器運行結果反饋，最終調整好了結果；“SHF”及“AHF”，為簡單與復雜的人類反饋指導下AI完成了任務；倘若會話超過25條消息或需要人類上手，則視為失敗，即“FAIL”。具體如下圖。能看出GPT-4表現(xiàn)明顯好于更早版本，面對諸多基準測試失敗情況很少，且對話輪數(shù)也明顯少于GPT-3.5。在前面基礎上，研究者們通過124次對話成功讓GPT-4設計出一個8位累加器微處理器，經由Skywater 130nm shuttle進行制造。團隊聲稱，這項研究標志著大語言模型設計的 IC 首次真正投入生產。但值得一提的是，即便表現(xiàn)最好的GPT-4仍然耗費了研究者很多時間調試、不斷給提示詞，有的代碼生成了數(shù)十次。且研究者承認，目前如果沒有人類提示，AI還不能獨立進行芯片設計，但作者仍然認為，它可以在設計通用模塊時節(jié)省工程師們的時間。此外，他們還需要進一步測試來識別和解決 AI 用于芯片設計所涉及的安全問題。

生成式AI應用于芯片設計并非首次

介紹下本文的作者們。哈蒙德?皮爾斯博士是紐約大學坦登工程學院電氣與計算機工程系、紐約大學網(wǎng)絡安全中心的研究助理教授，主攻方向為信息物理系統(tǒng)（cyber-physical systems，CPS）及其網(wǎng)絡安全，同時兼顧研究機器學習在該領域設計和應用中潛在的影響。除了前述提到的皮爾斯博士，ChipChat項目的其他成員也均來自于紐約大學坦登工程學院，包括拉梅什·卡里教授（Ramesh Karri）、研究所副教授希達赫·加爾格（Siddharth Garg）和博士生杰森·布洛克洛夫（Jason Blocklove）。拉梅什?卡里教授是洪堡獎學金的獲得者（the recipient of the Humboldt Fellowship）和美國國家科學基金會職業(yè)將獲得者（the National Science Foundation CAREER Award），在紐約大學坦登工程學院電氣和計算機工程系任教授。迄今為止，他已經發(fā)布期刊和會議出版物超200件，包括多次在IEEE上發(fā)表署名文章。希達赫?加爾格在紐約大學坦登工程學院ECE研究所任副教授一職，其研究方向是機器學習、網(wǎng)絡安全和計算機硬件設計。2015年，Siddharth Garg獲得美國國家科學基金會職業(yè)獎。同時，他在計算機工程和計算機硬件領域的多個頂級會議的技術計劃委員會任職，并擔任IEEE和ACM多個期刊的審稿人。以上大牛們的嘗試雖然聽起來新潮，但事實上將AI應用于包括芯片在內的硬件設計已經并非一個新概念。早在2021年時，谷歌團隊曾發(fā)布論文《A graph placement methodology for fast chip design》，其中就介紹了一種用于芯片版面規(guī)劃的深度強化學習方案。通過該方法自動進行芯片版面規(guī)劃，所需時間可以壓縮到6小時以內，且設計出來的芯片在關鍵指標，如功耗、性能以及芯片面積等，均可相媲美人類設計的產品，甚至有過之而無不及。彼時，該團隊還透露這一方法將會用在設計下一代人工智能加速器上，并且相比人類成果而言，可為每代加速器設計節(jié)省數(shù)千小時。除了谷歌之外，英偉達、三星、新思、Cadence等都在積極探索如何用深度強化學習設計芯片電路。在英偉達相關研究人員發(fā)布的論文《PrefixRL：Optimization of Parallel Prefix Circuits using Deep Reinforcement Learning》中提出了PrefixRL，該方法不僅證明AI可以從頭開始設計電路，而且比EDA工具設計的更小、更快。在英偉達最新的Hopper架構中，就擁有13000個AI設計的電路的實例。值得補充的是，人工智能三巨頭之一的LeCun最近在連線智源大會演講中，重申了自己一如既往的觀點：“基于自監(jiān)督的語言模型無法獲得關于真實世界的知識”。他繼續(xù)補充道：“人類有許多知識是目前無法被語言系統(tǒng)所觸達的”。由此可見，對話AI到底能不能參與芯片及硬件設計，目前還未達成共識。參考資料：

1.《Chip-Chat: Challenges and Opportunities in Conversational Hardware Design》，Jason Blocklove, Siddharth Garg, Ramesh Karri, Hammond Pearce

2.《Chip Chat: Conversations with AI models can help create microprocessing chips, NYU Tandon researchers discover》，NYU TANDON

3.《Exclusive Interview: NYU Team Taps ChatGPT to Design Processor From Scratch》，Jake Hertz

點擊圖片即可跳轉報告鏈接

關鍵詞：

責任編輯：