DeepMind 发现突破摩尔定律的最新晶片设计法！NVIDIA 独霸 AI 晶片的地位恐不保？ https://buzzorange.com/techorange/2023/08/08/train-ai-design-chip/ 正当 NVIDIA 与 AMD 等晶片大厂竞相以最大产能，试图填补目前市场对算力无穷尽的需求，市场对如何建构性能越强、运行成本更低的晶片，兴趣更胜以往，像是Google 与亚马逊等云端巨头，纷纷投入大量资源研发自家的 AI 晶片，好超车对手。 近日 Google 一项设计晶片的新技术，被权威科学期刊《Nature》认为是有望超越摩尔定律、晶片产业的重大突破。 摩尔定律难突破！优化电路组合效率，比增加电晶体数量可行 要解释这项新技术，首先得了解目前晶片产业，面临摩尔定律即将到达极限的窘境。摩尔定律内容是：「积体电路上可容纳的电晶体数目，约每隔两年便会增加一倍。」 该定律自 1970 年代被提出，但现行晶片上可容纳的电晶体数目已接近物理极限，很难再有「两年翻倍」这种成长效率，因此大厂们无一不想找到其他能够增强晶片效能的方法。 Google 旗下研究机构 DeepMind 在一项历时 18 个月的最新研究计画中找到了。 DeepMind 找到的解方不是想办法增加更多电晶体在积体电路上，而是想办法让现有晶片内部的积体电路，以更有效率的方式排列组合，此举同样有助於强化晶片性能。 所谓让积体电路以更有效率的方式排列组合，涉及的是晶片设计中，成为设计逻辑积体电路的阶段。要知道一块计算机晶片上有数以万计个积体电路，每个组件的布置、连结方式，将大大影响其运行速度与效率。 要手动改善一个积体电路的摆法虽然很简单，但要一次优化几百万个积体电路的配置绝不可能，因此 DeepMind 将主意动到了最会做布局规划的深度学习技术。 借重深度学习预判棋局之力，用 AI 模型设计 AI 专用晶片！ 还记得当初 AlphaGo 与国际棋王李世犒麉棤陧H深度学习如今被认为是最擅於接受布局挑战的技术。把晶片上数百万个积体电路想像成是棋盘上的棋子，当深度学习能从每场赛局中预测出最好的致胜走法，同样也能替所有组件安排出最佳的连接配置。 当初研究人员喂给 AlphaGo 数十万张人类对弈的棋谱，好训练其模型。这次 Google 工程师也搜集了一万张左右的晶片平面配置图，好让深度学习模型计算出最佳的积体电路摆法。据《华尔街日报》报导，今年 6 月，DeepMind 倚赖深度学习所设计出的晶片，刚赢得一场小型的晶片开发比赛。且其运行效率比第二名的晶片快了约 30%。 Google 下一代 TPU 低功耗高效能，专门用来训练 AI 目前 Google 内部的研究科学家 Azalia Mirhoseini 和 Anna Goldie 在接受《the Verge》采访时指出，该技术预计会用来设计 Google 的下一代 TPU。TPU 是 Google 替自家专用於机器学习、训练 AI 的订制化晶片所取的名称，於 2016 年 Google I/O 年会首次亮相。当 TPU 利用於处理数据、AI 相关任务时，具备功耗较低、运算速度较快的特性。 此话若真，那 Google 的最新一代 TPU 将是首桩利用深度学习打造商业晶片的案例。「这提供了晶片产业一个改善晶片性能的全新方向。」德州大学奥斯汀分校的电脑工程教授 David Pan 指出，DeepMind 发现的改良方法不仅 TPU，几乎所有晶片，无论是 CPU 还是 GPU，都有望能遵循该方法优化。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 223.137.210.48 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Tech_Job/M.1691595002.A.0AC.html