輝達（NVIDIA）首席科學家兼研究高級副總裁Bill Dally近日公開內部的重點研究與工作項目，提到今年的目標是利用人工智慧來改進自己的產品；舉例來說，輝達已經在自家的GPU（繪圖處理器）產品設計工作，大量採用人工智慧輔助，來加速以及最佳化GPU晶片的設計。
在線上舉辦的GTC（GPU Technology Conference，GPU技術研討會）活動結束不久後，Bill Dally在專訪中總結其在輝達從事的工作內容與進度。Bill Dally表示，輝達已經組成約300人的團隊，利用自家基於GPU架構的人工智慧技術來進行下一代GPU的設計。相關工作被分為幾個部分，比如說供電模擬設計、從電路到GPU規模的大型積體電路設計、架構網路以及儲存系統管理等等。
就好比晶片設計業者普遍使用的EDA軟體，已經逐漸具備晶片佈局自動最佳化功能，輝達自己有一套稱為NVCell的人工智慧晶片設計工具。這套工具可以根據標準的處理單元佈局來自動產生晶片的設計圖，也可以用來檢驗人類員工設計出來的晶片佈局中有無錯誤。Bill Dally指出，這套工具只需要在配備兩個GPU的平台上，短短幾天的時間，就可以超過一組十人員工一年的工作份量。（It’s a group on the order of 10 people will take the better part of a year to port a new technology library. Now we can do it with a couple of GPUs running for a few days.）
這套工具可以做到幾個非常專門的工作：
1.利用AI進行執行電壓預測，幫助晶片設計時達到更精確的功率預估，提升晶片能耗效率以及性能表現。
2.預測電晶體的關連效應，透過神經網路訓練，可以在晶片設計過程中預測出晶片性能表現，以及不同電晶體與運算單元之間造成的關連效應；人類設計者無須親自佈局，或逐一繪製原理圖（schematic diagram），只需要給予特定參數，就能產生相對應功能的晶片佈局。
3.標準運算單元庫以及自動佈局，通過使用NVCell這個工具，可以利用人工智慧來學習歷年設計晶片所累積的標準處理單元設計庫，讓機器分析過去的設計擁有怎樣的特性，以及不同設計的效率差別。在設計新晶片的過程中，可以節省大量人力的投入；這個過程就好比玩電子遊戲般，讓機器學習在不同電路佈局中安放最適當的電晶體，同時在過程中不斷進行檢測與修復。
Bill Dally表示，透過這個自動化工具，人工智慧不只能模仿人類晶片設計者的風格，累積晶片設計經驗，甚至能夠挑出人類在晶片設計工作過程中所犯下的錯誤。過去設計一款新的晶片，需要在成千上萬的電晶體組合單元，以及各種參數不斷嘗試錯誤；但透過這個新的工具，你只需要給出設計目標，以及一些必要參數，就可以在最短的時間內設計出一顆晶片。
目前NVCell這個工具僅被用來設計輝達自家的GPU產品，但如果輝達願意，隨著學習的晶片設計類型增加，可能可以支援更多樣化的晶片類型的設計工作。
那麼，晶片設計工作者可能要失業了？情況可能跟汽車自動駕駛有異曲同工之妙，目前汽車自動駕駛還只能在極小的範圍內工作，無法全面取代人類駕駛，這主要是因為受到技術以及法規條件的限制，更重要的是，多數人類還不能相信人工智慧可以表現的比真人更好。
即便實際統計數據擺在他們眼前：特斯拉過去數年的自動駕駛安全統計，顯示出遠比人類更高的安全性，但新聞媒體以及消費者卻往往抓著少數幾件事故不放，即便事故發生率遠低於人類駕駛。
人工智慧參與晶片設計，甚至取代人類設計者也會是類似的過程，晶片類型極多，目前人工智慧能夠自動化完成的數量仍相當有限，晶片設計業者也不會願意把自家累積的設計資源開放給人工智慧進行訓練，即便他們自己也有從事人工智慧相關方案的開發工作。
輝達在人工智慧的發展過程中不斷嘗試新領域，NVCell暫時還只能作為內部的輔助工具，協助輝達設計出更好的GPU產品，在功能特性上主要是滿足輝達自己的工程需求，要開放NVCell授權其他晶片設計業者使用的機會不大。不過其他EDA業者也都在嘗試在晶片設計工具中加入人工智慧學習能力，讓晶片設計者的重複工作降低也是未來業界共識，隨著技術發展，的確有可能取代更多工作內容。
原文連結：財訊
