在聊人工智能對(duì)芯片行業(yè)可能帶來的變革之前，先從一個(gè)從業(yè)者的角度聊聊AI對(duì)工程師的影響。

這是我郵件的簽名（打碼了部分信息），可以看到有一欄是“Ask my assistant”，這就是我創(chuàng)建的一個(gè)我自己的數(shù)字分身的入口。

點(diǎn)擊這個(gè)鏈接，就會(huì)跳轉(zhuǎn)到一個(gè)對(duì)話網(wǎng)頁(yè)，你就可以和一位虛擬的工程師對(duì)話，你可以問它問題，要求它協(xié)助你解決工作上的問題，我特別希望每一個(gè)發(fā)郵件給我的人能先聯(lián)系我的數(shù)字分身。

我的數(shù)字分身它學(xué)習(xí)了我過往積累的技術(shù)知識(shí)和解決問題的經(jīng)驗(yàn)，并且不斷地在更新。這樣做是因?yàn)�，我發(fā)現(xiàn)在工作中的相當(dāng)一部分時(shí)間，大概有30%~50%，我都是在幫助別人解決問題，對(duì)于在企業(yè)的員工來說，無非就是通過出賣自己的時(shí)間來賺錢，那么除了賣自己更多的時(shí)間外，如何節(jié)省自己的時(shí)間也非常重要，AI就可以幫助我做到這一點(diǎn)。盡管多數(shù)人有問題還是會(huì)直接給我發(fā)郵件，但我也慢慢的在向其他人介紹我的數(shù)字分身。

芯片是AI的底層硬件基礎(chǔ)，AI也在反哺芯片的設(shè)計(jì)和制造。

AI給芯片行業(yè)帶來的第一個(gè)變革影響就是芯片設(shè)計(jì)的智能化。

這兩年的芯片行業(yè)論壇幾乎無法脫離AI的主題，尤其是EDA公司，比如Synopsys的 DSO.ai，Cadence的Cerebrus。

AI可以通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法來加速芯片的設(shè)計(jì)過程。例如，自動(dòng)布局布線（Place and Route, P&R）、邏輯綜合等步驟可以利用AI進(jìn)行優(yōu)化，從而減少設(shè)計(jì)周期并提高效率。通過AI預(yù)測(cè)模型，可以在設(shè)計(jì)早期階段識(shí)別潛在問題，避免后期昂貴的修改。

對(duì)于AI芯片設(shè)計(jì)，備受關(guān)注的則是AlphaChip，AlphaChip是Google基于深度強(qiáng)化學(xué)習(xí)（Deep Reinforcement Learning, DRL）技術(shù)開發(fā)的系統(tǒng)，用于自動(dòng)化芯片布局設(shè)計(jì)。

事實(shí)上，早在2020 年，Deepmind 就已發(fā)布預(yù)印本論文《使用深度強(qiáng)化學(xué)習(xí)的芯片布局》，介紹了用于設(shè)計(jì)芯片布局的全新強(qiáng)化學(xué)習(xí)方法，我在《了不起的芯片》中人工智能與芯片設(shè)計(jì)那一章節(jié)也有介紹。

AlphaChip通過對(duì)現(xiàn)有的芯片版圖設(shè)計(jì)進(jìn)行學(xué)習(xí)，并優(yōu)化布局過程，進(jìn)而提升設(shè)計(jì)效率。AlphaChip還會(huì)針對(duì)功率、性能和面積（PPA）等指標(biāo)進(jìn)行優(yōu)化，并輸出概率分布，顯著縮短了設(shè)計(jì)周期。對(duì)這種超大規(guī)模芯片的布局繞線等繁瑣的設(shè)計(jì)，非常適合讓AI去做。工程師需要花數(shù)周才能完成的工作，AI只需要花幾個(gè)小時(shí)。

下面左圖為零樣本下AlphaChip布局開源Ariane RISC-V CPU的結(jié)果，右圖為基于預(yù)訓(xùn)練策略（設(shè)計(jì)20個(gè)TPU）微調(diào)的效果。

據(jù)我所知，目前超大規(guī)模的芯片設(shè)計(jì)，在整個(gè)設(shè)計(jì)周期中基本都借助AI來進(jìn)行一些輔助工作。

那么問題來了，AI會(huì)不會(huì)搶工程師的飯碗？我的答案是短期內(nèi)（5年）不必有此顧慮，AI還不具備超大規(guī)模芯片的設(shè)計(jì)和全局優(yōu)化能力，業(yè)界頭部公司也不會(huì)把自己的芯片設(shè)計(jì)數(shù)據(jù)拿去給開源模型進(jìn)行訓(xùn)練。而作為工程師或者行業(yè)從業(yè)者，理解并善用AI工具將成為職場(chǎng)中不可或缺的技能。利用AI進(jìn)行設(shè)計(jì)不僅能顯著提升工作效率，還能為自己的能力背書。對(duì)于廣大職場(chǎng)人士來說，我強(qiáng)烈建議大家積極學(xué)習(xí)并運(yùn)用這些先進(jìn)的生產(chǎn)力工具。借助AI作為創(chuàng)作助手來提高創(chuàng)意和設(shè)計(jì)效率，做一個(gè)站在科技前沿的職場(chǎng)達(dá)人。

AI給芯片行業(yè)帶來的另一個(gè)變革影響就是它推動(dòng)了芯片架構(gòu)的革新

區(qū)別于傳統(tǒng)的CPU架構(gòu)，各種xPU AI芯片為了處理AI相關(guān)的任務(wù)，都在架構(gòu)上做了一些變化，為了更高效地執(zhí)行機(jī)器學(xué)習(xí)任務(wù)，尤其是深度神經(jīng)網(wǎng)絡(luò)中的大規(guī)模矩陣運(yùn)算，業(yè)界開發(fā)了專門針對(duì)這些任務(wù)優(yōu)化的硬件。例如，NVIDIA的GPU（圖形處理器）最初設(shè)計(jì)用于圖形處理，但其并行計(jì)算能力使其成為訓(xùn)練深度學(xué)習(xí)模型的理想選擇。隨著需求的增長(zhǎng)，NVIDIA推出了專門為AI設(shè)計(jì)的Tensor Core GPU。另一個(gè)例子是Google的TPU專為加速TensorFlow等機(jī)器學(xué)習(xí)框架中的操作而設(shè)計(jì)。TPU在處理特定類型的AI工作負(fù)載時(shí)比傳統(tǒng)的CPU或GPU更高效。

從商業(yè)的角度，AI也讓芯片這個(gè)被很多人認(rèn)為是“夕陽(yáng)”的行業(yè)重新煥發(fā)生機(jī)。

AI PC，iPhone 16，大模型訓(xùn)練，自動(dòng)駕駛等AI需求，也給芯片公司帶來了不錯(cuò)的業(yè)績(jī)，各家芯片公司也是瞄準(zhǔn)了AI這塊大蛋糕。從公開資料獲得的主要芯片公司的路線圖可以看出，對(duì)AI芯片的布局和投入只增不減。

AI雖好，但是對(duì)于芯片這樣一個(gè)技術(shù)密度極高的行業(yè)，在很多方面都有局限性，比如：

數(shù)據(jù)質(zhì)量：AI要學(xué)得好，得有大量的高質(zhì)量數(shù)據(jù)才行。但在芯片設(shè)計(jì)里，找到能準(zhǔn)確反映各種復(fù)雜情況的數(shù)據(jù)集挺難的。如果數(shù)據(jù)不夠或者不準(zhǔn)，AI就可能出錯(cuò)，給出的設(shè)計(jì)建議也不靠譜，最后做出來的芯片可能會(huì)有問題。

復(fù)雜算法：開發(fā)能夠應(yīng)對(duì)各種復(fù)雜設(shè)計(jì)情況的強(qiáng)大AI算法是個(gè)大難題。AI得能在不斷變化的設(shè)計(jì)環(huán)境中適應(yīng)，處理預(yù)料之外的問題。有時(shí)候，面對(duì)特別復(fù)雜的或有變化的情況時(shí)，這些算法可能很難給出準(zhǔn)確的預(yù)測(cè)或建議。

可解釋性：AI很多時(shí)候像是個(gè)“黑盒子”，讓人搞不懂它到底是怎么想的。要知道為什么AI推薦某個(gè)設(shè)計(jì)方案很重要，這樣才能驗(yàn)證和接受它的建議。如果解釋不清楚，人們就會(huì)對(duì)AI做的決定不太信任，工程師也難以理解和驗(yàn)證AI的選擇。

工具集成：把AI技術(shù)整合到現(xiàn)有的EDA工具里也是個(gè)難題。兼容性問題和需要合作開發(fā)新工具都可能讓這個(gè)過程變得不順利。工具整合上的困難可能會(huì)拖慢AI在芯片設(shè)計(jì)中的應(yīng)用速度，并限制它改善現(xiàn)有流程的效果。

人工智能和芯片兩個(gè)領(lǐng)域已經(jīng)深度融合，芯片加速AI發(fā)展，AI反過來又推動(dòng)芯片進(jìn)步總結(jié)起來就是：訓(xùn)練最好的芯片設(shè)計(jì)算法→用它設(shè)計(jì)更好的AI芯片→用這些芯片訓(xùn)練更好的模型→再設(shè)計(jì)更好的芯片→……就連谷歌的DeepMind CEO Hassabis都在twitter調(diào)侃：這下邏輯閉環(huán)了。

       原文標(biāo)題 : 人工智能的發(fā)展可能會(huì)對(duì)芯片行業(yè)帶來哪些變革影響？