2018年，Google Brain有一個名為“登月計劃”的項目，Ricursive的兩位創(chuàng)始人當(dāng)時就想嘗試用AI進(jìn)行芯片設(shè)計，結(jié)果這個想法與Jeff Dean不謀而合，于是她們開始了這個項目。
她們經(jīng)過探索，瞄準(zhǔn)了布局規(guī)劃（Floorplanning）這個方向，布局規(guī)劃是將芯片組件放置到硅片上的過程。這個過程的復(fù)雜性源于輸入問題規(guī)模的巨大，比如對于芯片上的一個區(qū)塊 (block)，需要優(yōu)化的可能包含數(shù)百萬個節(jié)點(diǎn)，所有這些節(jié)點(diǎn)都需要被放置和布線。而且必須確保約束條件，比如PPA（功耗、性能、面積）得到優(yōu)化，并滿足臺積電等廠商給出的極小工藝節(jié)點(diǎn)尺寸下的所有限制。
她們與Google的TPU團(tuán)隊緊密合作，每周都向TPU團(tuán)隊展示數(shù)據(jù)。具體做法是，TPU團(tuán)隊用商業(yè)工具生成自己的布局，然后她們展示自己用AI生成的布局，她們需要證明自己的布局在每一個指標(biāo)上都更優(yōu)秀，TPU團(tuán)隊才會選擇它。
最終，她們將自己的芯片布局，一路推進(jìn)到了實際產(chǎn)品中，完成了流片等所有環(huán)節(jié)，而她們的成果，就是AlphaChip。
請輸入圖說TPU每一次迭代，AlphaChip參與的芯片區(qū)塊就越多，圖源：Google
AlphaChip被應(yīng)用到從TPU v5e及之后的每一代TPU中，并且應(yīng)用于越來越多的芯片區(qū)塊（一塊芯片通常包含幾十個區(qū)塊），覆蓋了更大的面積。
在這個過程中，她們還發(fā)現(xiàn)了類似Alpha Go的“第37手”那種超越人類經(jīng)驗的現(xiàn)象。在芯片設(shè)計中，人類傾向于采用網(wǎng)格般的規(guī)整結(jié)構(gòu)，而AlphaChip的設(shè)計截然不同，其形狀更具“有機(jī)感”，它設(shè)計的芯片布局有時會彎彎曲曲，但是相比規(guī)整的結(jié)構(gòu)，這種彎曲的設(shè)計，有時就是能減少線長，進(jìn)而降低功耗和時序違例。
在算法方面，AI這種自我改進(jìn)的特性，隨著解決問題的增多而變得越來越好時，它變得勢不可擋：AI可以見識更多的數(shù)據(jù)點(diǎn)，解決比任何單個人類一生所能觸及的還要多得多的芯片優(yōu)化問題。
當(dāng)發(fā)現(xiàn)這種跡象后，Anna Goldie和Azalia Mirhoseini認(rèn)為創(chuàng)業(yè)的時機(jī)已經(jīng)成熟，于是出來創(chuàng)業(yè)。她們組建的團(tuán)隊只有10人左右，但是成員們均來自Google DeepMind、Anthropic、Apple和Cadence（EDA軟件巨頭），涵蓋AI、系統(tǒng)和芯片設(shè)計等領(lǐng)域。
Ricursive Intelligence中的Ricursive，意思是遞歸。這其實是Anna和Azalia在做AlphaChip時發(fā)現(xiàn)的一種“AI賦能芯片設(shè)計，芯片設(shè)計反哺AI”的遞歸循環(huán)：AlphaChip在TPU上進(jìn)行訓(xùn)練，然后被用來設(shè)計下一代TPU，再用新一代TPU訓(xùn)練下一版AlphaChip，并以此為基礎(chǔ)不斷迭代。
她們?yōu)楣疽?guī)劃了三個發(fā)展階段。
第一階段，攻克芯片設(shè)計的關(guān)鍵瓶頸，將流程顯著縮短至數(shù)周。此前，每一個數(shù)據(jù)點(diǎn)原本可能需要人類花費(fèi)數(shù)周時間來生成，但AI能在短時間內(nèi)生成很多個，這樣人類就可以去探索：我們真正想要的是什么？
第二階段，實現(xiàn)端到端的設(shè)計。即給定一個工作負(fù)載 (workload)，能否完成從頭到尾的芯片設(shè)計，一直到生成“GDSII文件”——這是送交臺積電等芯片代工廠進(jìn)行制造的最終格式。
由于芯片設(shè)計過程的復(fù)雜性，能夠負(fù)擔(dān)得起定制化芯片的公司數(shù)量非常有限。當(dāng)芯片設(shè)計的成本降低到一定程度，從AI硬件、機(jī)器人、自動駕駛汽車到太空探索等各個領(lǐng)域的任何公司，都有機(jī)會根據(jù)自己產(chǎn)品的需求定制芯片，這將引發(fā)定制化芯片的“寒武紀(jì)大爆發(fā)”。
在第三階段，進(jìn)行垂直整合：構(gòu)建自己的芯片，訓(xùn)練自己的模型，利用AI設(shè)計出能更好、更快運(yùn)行AI的芯片，再用這些芯片創(chuàng)造出能力更強(qiáng)、效率更高的新一代AI，完成“AI賦能芯片設(shè)計，芯片設(shè)計反哺AI”的遞歸循環(huán)。
Anna和Azalia為Ricursive設(shè)定的愿景，是將現(xiàn)在的“Fabless”(無晶圓廠)模式，推進(jìn)到“Designless(無設(shè)計)” 模式。“Fabless”的典型代表就是NVIDIA，它現(xiàn)在是市值最高的科技企業(yè)之一。“Designless”，則意味著不僅外包制造，更外包整個芯片設(shè)計流程，將一個想法直接轉(zhuǎn)化為可供制造的設(shè)計方案。
目前，芯片設(shè)計市場由Cadence和Synopsys主導(dǎo)，兩家公司的年收入均達(dá)50-60億美元，市值約在900-1000億美元之間。如果Ricursive能夠顛覆它們，本身就已經(jīng)足夠有想象空間。
而Ricursive本質(zhì)上是將芯片設(shè)計從架構(gòu)設(shè)計、RTL、驗證到物理設(shè)計的全流程自動化，這里的自動化將解鎖一些人類從未探索過的新穎芯片設(shè)計，更進(jìn)一步，將解鎖一波硬件創(chuàng)新的浪潮。
AI時代，頂尖公司們的人才密度相比互聯(lián)網(wǎng)時代更高，想法并不算稀缺，而驗證想法的成本主要成本來自算力硬件。
AI算力的缺乏，對于創(chuàng)新的限制，主要有兩方面。
首先是模型層面，每次訓(xùn)練模型的算力成本，讓模型的迭代相對緩慢，而當(dāng)模型訓(xùn)練出以后，推理算力的限制，又讓AI產(chǎn)品的推廣和服務(wù)之類沒有那么順利（好幾家頭部AI創(chuàng)業(yè)公司因為算力不夠而出現(xiàn)服務(wù)限制或中斷）。
其次是AI硬件終端層面，無論是機(jī)器人還是智能可穿戴硬件，它們的設(shè)計都要圍繞芯片展開，因為芯片直接影響了硬件終端的體積、續(xù)航以及最重要“智力”。
如果定制化的AI芯片，設(shè)計成本降低到一定程度，設(shè)計時間縮短到幾天，那么將是對整個AI行業(yè)創(chuàng)新能力的極大釋放。
想象一下，對于云端AI，可以針對不同類型和大小的企業(yè)負(fù)載，設(shè)計定制芯片，更精細(xì)化和高效地滿足需求。對于AI硬件終端，在產(chǎn)品定義時，形態(tài)、大小和功能的設(shè)計可以更自由，可以不必再如履薄冰的讓體積，性能和續(xù)航達(dá)到那么微妙的平衡。
AlphaChip本質(zhì)上是基于強(qiáng)化學(xué)習(xí)的Agent，構(gòu)建這類Agent最重要的是搭建環(huán)境和設(shè)定獎勵信號。它對于數(shù)據(jù)有要求，但是只要環(huán)境和獎勵信號設(shè)定好后，也可以使用合成數(shù)據(jù)。中國公司要追趕Cadence這樣的公司，在積累上略顯不足，但是打造AI設(shè)計的Agent，似乎追趕的目標(biāo)就在前方不遠(yuǎn)處。
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機(jī)號后發(fā)表評論