DeepMind 發現突破摩爾定律的最新晶片設計法！NVIDIA 獨霸 AI 晶片的地位恐不保？
https://buzzorange.com/techorange/2023/08/08/train-ai-design-chip/
正當 NVIDIA 與 AMD 等晶片大廠競相以最大產能，試圖填補目前市場對算力無窮盡的需求，市場對如何建構性能越強、運行成本更低的晶片，興趣更勝以往，像是Google 與亞馬遜等雲端巨頭，紛紛投入大量資源研發自家的 AI 晶片，好超車對手。
近日 Google 一項設計晶片的新技術，被權威科學期刊《Nature》認為是有望超越摩爾定律、晶片產業的重大突破。
摩爾定律難突破！優化電路組合效率，比增加電晶體數量可行
要解釋這項新技術，首先得了解目前晶片產業，面臨摩爾定律即將到達極限的窘境。摩爾定律內容是：「積體電路上可容納的電晶體數目，約每隔兩年便會增加一倍。」
該定律自 1970 年代被提出，但現行晶片上可容納的電晶體數目已接近物理極限，很難再有「兩年翻倍」這種成長效率，因此大廠們無一不想找到其他能夠增強晶片效能的方法。
Google 旗下研究機構 DeepMind 在一項歷時 18 個月的最新研究計畫中找到了。
DeepMind 找到的解方不是想辦法增加更多電晶體在積體電路上，而是想辦法讓現有晶片內部的積體電路，以更有效率的方式排列組合，此舉同樣有助於強化晶片性能。
所謂讓積體電路以更有效率的方式排列組合，涉及的是晶片設計中，成為設計邏輯積體電路的階段。要知道一塊計算機晶片上有數以萬計個積體電路，每個組件的佈置、連結方式，將大大影響其運行速度與效率。
要手動改善一個積體電路的擺法雖然很簡單，但要一次優化幾百萬個積體電路的配置絕不可能，因此 DeepMind 將主意動到了最會做佈局規劃的深度學習技術。
借重深度學習預判棋局之力，用 AI 模型設計 AI 專用晶片！
還記得當初 AlphaGo 與國際棋王李世犒麉棤隉H深度學習如今被認為是最擅於接受佈局挑戰的技術。把晶片上數百萬個積體電路想像成是棋盤上的棋子，當深度學習能從每場賽局中預測出最好的致勝走法，同樣也能替所有組件安排出最佳的連接配置。
當初研究人員餵給 AlphaGo 數十萬張人類對弈的棋譜，好訓練其模型。這次 Google 工程師也搜集了一萬張左右的晶片平面配置圖，好讓深度學習模型計算出最佳的積體電路擺法。據《華爾街日報》報導，今年 6 月，DeepMind 倚賴深度學習所設計出的晶片，剛贏得一場小型的晶片開發比賽。且其運行效率比第二名的晶片快了約 30%。
Google 下一代 TPU 低功耗高效能，專門用來訓練 AI
目前 Google 內部的研究科學家 Azalia Mirhoseini 和 Anna Goldie 在接受《the Verge》採訪時指出，該技術預計會用來設計 Google 的下一代 TPU。TPU 是 Google 替自家專用於機器學習、訓練 AI 的訂製化晶片所取的名稱，於 2016 年 Google I/O 年會首次亮相。當 TPU 利用於處理數據、AI 相關任務時，具備功耗較低、運算速度較快的特性。
此話若真，那 Google 的最新一代 TPU 將是首樁利用深度學習打造商業晶片的案例。「這提供了晶片產業一個改善晶片性能的全新方向。」德州大學奧斯汀分校的電腦工程教授 David Pan 指出，DeepMind 發現的改良方法不僅 TPU，幾乎所有晶片，無論是 CPU 還是 GPU，都有望能遵循該方法優化。
--