Yapay zeka en yüksek hassasiyetli üretimi istila etti, Terry Gou "genişleme bulmacasının son parçasını" nasıl bir araya getirdi?
Tanınmış yapay zeka bilimcisi Wu Enda, geçtiğimiz yılın Aralık ayının ortalarında, blogunda yeni kurulan şirketi Landing.ai'yi duyurdu. Bu şirketin kuruluşu için Wu Enda'nın hedefi şuydu: "Şirketlerin AI çağında dönüşüme ulaşmalarına yardımcı olmak, girilmesi gereken ilk şey üretim ". Böylesine iddialı hedeflerle, Wu Enda'nın Landing.ai tarafından açıklanan ilk ortak, Hon Hai'den başkası değil.
Resim Guo Taiming ve Wu Enda
Bugün, Hon Hai artık iPhone dökümhanesini ürettikten sonra hızla büyüyen bir üretim devi değil. Bileşenlerden komple makinelere, ürün geliştirme ve üretimden, marka satışlarına ve uygulama hizmetlerine, ister tedarik zinciri ister değer zinciri olsun, Hon Hai her yerde hazır. Gelecekte, Hon Hai gruptaki her endüstriyel bağlantıya derinleştirici unsurlar yerleştirecek.Şu anda yapay zekadan başka bir şey yok gibi görünüyor.
Yapay zekanın sektörler arası ve etki alanları arası çok yönlülüğü, halihazırda yapay zeka yetenekleri kurmuş olan şirketlere, yapay zeka yeteneklerini düzenlerinin diğer alanlarına hızla çoğaltma fırsatı verecektir. Hon Hai'nin bakış açısına göre, artık buluta, mobil cihazlara, Nesnelerin İnternetine, büyük veriye, akıllı hayata, İnternet'e ve diğer alanlara temas etse de neredeyse her şeyi kapsıyor. Ancak Hon Hai'nin henüz bir bulmaca oluşturmadığı bir alan var ve bu da yarı iletken alan.
İki yıl kadar önce, Hon Hai'nin yarı iletkenlerden bitmiş ürünlere kadar bir model oluşturmak için Huawei ve HiSilicon modellerini taklit etmeyi planladığı bildirildi. 2016'nın sonunda, Hon Hai ve ARM'ün Ar-Ge merkezleri kurmak için işbirliği yapacakları da bildirildi. Ancak şu ana kadar ordunun diğer alanlardaki baskısıyla karşılaştırıldığında Hon Hai, yarı iletken alanında pek bir şey başaramadı.
Ancak bu, Guo Taiming'in yarı iletkenlerle ilgilenmediği anlamına gelmez. 2016'nın sonlarında medyada çıkan haberler vardı.Guo Taiming, yöneticisine dahili olarak yarı iletken alanında Hon Hai'nin dökümhane dışında her şeyi yapabileceğini ve çok şey yapması gerektiğini söyledi. bu iyi, "Bırakın Morris (TSMC Başkanı Zhang Zhongmou) bize gelmek için inisiyatif alsın!"
Bu cümle, Guo Taiming'in yarı iletken endüstrisine büyük önem verdiğini ve aynı zamanda Hon Hai Semiconductor'ın düzeninin geliştirilmesi hakkında hiçbir fikri olmadığını, sadece bir süre beklediğini ortaya koyuyor. İki yıl sonra, AI gelişiminin tüm hızıyla devam etmesiyle bu, Guo Taiming'in beklediği fırsat olabilir.
Ek olarak, yarı iletkenlerden ekipmana kadar, ister bir işletim arayüzü olsun, isterse çeşitlendirilmiş akıllı hizmetler sağlıyor olsun, çekirdek olarak bir yazılım katmanı olmalıdır. Yazılımın varlığının beyin gibi, kalbe giden yarı iletken gibi, vücudu sürmek için kalbi kullandığı söylenebilir. Yani akıllı cihazlar, beyin yoksa, anlamlı faaliyetler yapmanın hala bir yolu yoktur.
Bu nedenle, Hon Hai yarı iletken endüstrisine girerse, yazılım talebi de artacaktır Hon Hai daha önce yazılım endüstrisine müdahale etmiştir.Sonuçlar sınırlı olsa da, temel arka uç hizmetlerinin oluşturulmasındaki gücü için hala çok yararlıdır. Hon Hai, Huawei ve HiSilicon modelini takip etmek istiyorsa, yazılım takviye edilmeli ve yalnızca arka uç hizmetleri değil, ön uç uygulamaları da dikkate alınmalı ve önemli ölçüde AI kullanılabilir. Son derece otomatik bir endüstriyel zincir imparatorluğu inşa edin.
Hon Hai dahil birçok şirket için, Yarı iletkenler, gelecekte ortaya çıkan teknolojilerin uygulanması ve geliştirilmesi için temel oluşturacaksa, yapay zekanın hızlı gelişimi zaten giriş için mükemmel bir fırsat sağlamıştır. AI tarafından tasarlanan yazılım ve IC ürünleri bizden çok uzak değil.Tamamen gerçekleştirilirse, mevcut yazılım ve IC endüstrisinde büyük değişiklikler meydana getirecek.
Open AI, Massachusetts Institute of Technology, University of California, DeepMind gibi birçok teknik araştırma biriminin tasarlanabilir makine öğrenimi yapay zekasını incelemeye başladığını ve Google Brain yapay zekası tarafından tasarlanan yapay zekanın daha da iyi performansa sahip olduğunu belirtmekte fayda var. İnsanlar tarafından tasarlanan daha iyidir.
Öte yandan, IC tasarımının otomasyon kısmı da gittikçe yükseliyor.Synopsys, Cadence, Mentor dahil olmak üzere çeşitli genel Elektronik Tasarım Otomasyonu (EDA) yazılımları, bazı IC tasarım düzenlerinin otomatikleştirildiği noktaya ulaştı. Birkaç seçenek seçin ve temel mantıksal düzen ve maske tasarımı otomatik olarak oluşturulabilir. Bunlar sentez, yerleştirme ve yönlendirme, doğrulama ve diğer işlemleri içerir. Daha fazla insanın katılması gerekir. Daha az gelir.
Bununla birlikte, mevcut EDA temel bir yerleşim planı oluşturabilse de, Ancak gerçek makine öğrenimi yeteneklerine sahip değiller ve tasarım yönünü iyileştirmek için IC tasarım şirketlerinin deneyimlerini takip edemiyorlar. Makine öğreniminin ilerlemesiyle birlikte, EDA tasarım mantığının yeni biçimleri de ortaya çıktı.Solido, makine öğrenimi algoritmalarına dayalı dünyanın ilk EDA yazılım tedarikçisidir. Tabii ki, sadece yeni bir EDA şirketi değil, aynı zamanda geleneksel EDA liderleri. EDA tasarımının verimliliğini artırmak için hepsi düşünmeye veya makine öğrenimini kullanmaya başlar.
Yardımcı otomasyondan AI liderliğindeki tasarıma
Araba kullanma, konuşma, satranç oynama ve hatta yazılım veya IC tasarlama dahil olmak üzere yukarıda bahsedilen tüm görevler aslında mantıksal deneyim birikimidir.Başka bir deyişle, büyük miktarda veri eğitimi yoluyla belirli bir uygulama modeli oluşturabilirler. Ne kadar çok veri olursa, model o kadar eksiksiz ve mantıktaki kusurlara o kadar az eğilimlidir.
Geçmişte, tasarım yazılımı veya IC son derece insan uzmanlara bağımlıydı, ancak bu insan uzmanların eğitimi zaman alıyordu ve nihai sonuçlar her zaman mükemmel sonuçlar vermeyebilir. Sonuçta, insanların da bireysel yeteneklerinde farklılıklar var, tıpkı Her bilim adamının Einstein olmasını bekleyemezsiniz, her cep telefonu şirketinin patronunun Jobs olmasını bekleyemezsiniz. Ancak makine öğrenimi yoluyla, benzer bir tasarım modelinden / sürecinden geçen her yapay zeka tasarım yazılımının / çipinin oldukça yüksek bir tutarlılığa sahip olmasını sağlayabilirsiniz.
AI, eğitim yoluyla tasarım hedefine ulaşmak için en iyi yolu bulabilir. Bu, yazılımda veya IC tasarımında ortak mantığa sahip olabilir. Asıl soru, öğrenme yoluyla bulunan yolun geleneksel insan çalışma modelinin tamamen yerini alıp alamayacağıdır. Know-how, gelecekte insanlar bunu yazılım tasarımı veya IC tasarımı alanında yapmak için gerçekten yapay zekaya mı dönecek? Bay DT, bunun biraz zaman alabileceğine inanıyor, ancak uzun vadede bunun kaçınılmaz bir eğilim olması gerektiğine inanıyor.
Peki AI kendi tasarımına nasıl ulaşır?
Bir süre önce Google, örnek olarak yeni bir AI modeli oluşturmak için AutoML'yi kullandı. Bu AI, sinir ağının bir açıklamasını oluşturmak için tekrarlayan bir sinir ağı (RNN) kullanır ve ardından RNN'yi eğitmek için pekiştirmeli öğrenmeyi kullanır. Yöntem, yapay zekanın sıfırdan yeni bir sinir ağı mimarisi tasarlamasını sağlar.
Şekil Google AutoMl
AutoML, yeni AI algoritmaları oluşturmak için kullanılan bir dizi AI algoritmasıdır. Asıl amacı, AI tasarım yeteneklerinin eksikliği ikilemini ve önerilen çözümü çözmektir.
Genel olarak, makine öğrenimi önce çok sayıda eğitim verisi gerektirir ve ardından makine öğrenimi mühendisleri / veri bilimcileri verileri analiz eder ve eğitim modelleri oluşturmak için algoritmalar tasarlar; bu çok fazla profesyonel bilgi gerektirir. Ancak AutoML kullanıyorsanız, yalnızca eğitim veri kümesini AutoML'ye aktarmanız gerekir; bu durumda bu araç, bir eğitim modeli oluşturmamız için otomatik olarak parametreler ve modeller oluşturur, böylece makine öğrenimi konusunda derinlemesine profesyonel bilginiz olmasa bile makine öğrenimi de gerçekleştirebilirsiniz. Meslekler.
Geçmişte, insan uzmanlar önemliydi çünkü hangi koşullarda hangi modeli kullanacaklarına karar vermek için deneyim ve bilgiyi kullanabilirlerdi. Ancak AutoML yardımıyla geçmişteki verileri, algoritma modellerini ve parametreleri teorik olarak değiştirebilir. Modelin kalitesini değerlendirmenin yanı sıra, insanlar tarafından yönlendirilmelidir.Onun yerine, AI algoritma modelini ve algoritma parametrelerini seçer ve minimum insan müdahalesi öncülüğünde optimum model oluşturma sonucunu elde etmek için modelin kalitesini otomatik olarak değerlendirir. .
Bununla birlikte, şu anda, AutoML'nin tamamen özerk olmasının bir yolu yoktur.Örneğin, temel algoritma seçimi hala insanlar tarafından değerlendirilmektedir, ancak aynı zamanda, geleneksel sinir ağı modellerinin oluşturulması sırasında gerçekleştirilmesi gereken karmaşık hata ayıklama çalışmalarını büyük ölçüde azaltabilmiştir. Gelecekte Google, insan uzmanların yerini almak ve AutoML'nin özerkliğini iyileştirmek için daha eksiksiz bir ön işleme mantığı kullanacak. Nihai hedef, tam özerklik olacak.
Şu anda, AutoML ile oluşturulan modeller, insanlar tarafından tasarlanan modellerden daha iyi sonuçlar elde edebilmektedir: görüntü tanıma görevlerinde% 82'lik rekor bir doğruluk oranı elde edilmiştir. Bazı karmaşık AI görevlerinde, kendi oluşturduğu kodunun insan programcılardan daha üstün olduğu da kanıtlanmıştır. Bir görüntüdeki birden fazla noktayı% 42 doğrulukla işaretleyebilir; karşılaştırma olarak, insanlar tarafından oluşturulan yazılım yalnızca% 39'dur.
Makine öğrenimi ve derin öğrenme, EDA araçlarını daha akıllı hale getiriyor
Yazılım açısından, AutoML gibi araçların ortaya çıkışını gördük ve son derece şaşırtıcı sonuçlar elde ettiler. IC tasarımındaki ana akım EDA üreticileri, daha fazlasını elde etmek için makine öğrenimi veya derin öğrenme yoluyla IC tasarım sürecini nasıl iyileştireceklerini araştırıyorlar. Yüksek verimlilik veya daha büyük ölçekli bir IC düzeni.
Aslında, IC'nin tasarım mantığı ve tasarım yazılımı aynı etkiye sahiptir. IC ve yazılım, problemleri çözmek için tasarlanmıştır ve bu problemler, problemi çözme mantığı makul bir algoritma ile bulunduğu sürece genellikle matematik tarafından tanımlanabilen nesnelerdir. Daha sonra sorun çözülebilir.
Yarı iletken endüstrisinde, tasarım ve üretim verimliliğini artırmak için IC'lerin karmaşık tasarım ve geliştirme süreci sorunlarını çözmek için makine öğreniminin kullanımı ve ayrıca IC'lerin doğruluğu şu anda ana geliştirme yönü haline geldi.
Örneğin, Makine Öğrenimi aracılığıyla Gelişmiş Elektronik Merkezi (CAEML), EDA için otomasyon modelleri türetmek için makine öğrenimi algoritmaları oluşturan ulusal bir araştırma kurumudur. Elektronik tasarım için AI projesi, Ulusal Bilim Vakfı (NSF) ve 9 şirketten güçlü destek aldı. Dokuz şirket arasında Analog Devices (ADI), Cadence, Cisco (Cisco), Hewlett-Packard Enterprise (HPE), IBM, NVIDIA, Qualcomm, Samsung (Samsung) ve Xilinx (Xilinx) bulunuyor.
IC tasarımının ölçeğindeki sürekli artış nedeniyle, ana düzen ve temel devre tasarımının çoğu zaten bilgisayarlar tarafından yapılmaktadır.İnsanlar esas olarak temel mantık bölümünden ve nihai sonuç hata ayıklamasından sorumludur. Bir süre önce, Apple'ın AX işleme IC'sinin, bilgisayar otomatik tasarımından ziyade manuel düzeni büyük ölçüde kullandığı ortaya çıktı, ancak bu, IC hesaplama verimliliğinin daha yüksek otomasyon derecesine sahip diğer IC rakiplerinden çok daha yüksek olmasına izin veriyor, ancak bu yalnızca özel bir durum. İnsan gücünün sınırları olduğu için, çoğu IC tasarım şirketi yılda yalnızca bir IC tasarlamaz.Genellikle aynı anda dikkat edilmesi gereken birkaç durum vardır, bu nedenle tüm insan gücünü belirli bir ürünün geliştirilmesine adayamazlar.
EDA alanındaki makine öğreniminin kademeli popülaritesi ile, bilgisayarlar tarafından otomatik olarak işlenen IC düzeni, verimlilik iyileştirme veya sızıntı iyileştirme açısından geliştiricilerin ihtiyaçlarını daha iyi karşılayacaktır ve en önemlisi, doğrulama süresinden ve doğrulama sürecinden tasarruf sağlayacaktır. Gerekli insan gücü, geliştiricilerin yeni ürünlerin geliştirilmesine daha fazla insan gücü yatırmasına olanak tanır.
AI'nın yazılım ve IC tasarımı için farklı işleme mantığı
Bununla birlikte, yazılımın geliştirilmesi, mantığın kendisinin sürekli doğrulanması ve doğrulanması yoluyla daha verimli çözümler bulabilir veya modelin güvenilirliğini artırmak için eğitim için daha büyük bir veritabanı kullanabilir. IC tasarım süreci, IC tipine ve çözülecek problem tipine göre sınırlıdır.Farklı uygulamalar için IC'lerin düzeni, aynı uygulama için bile tamamen farklı olabilir, ancak tasarım hedefi olarak farklı terminallere sahip IC'ler farklı tasarım prosesleri gerektirir.
Bu nedenle, makine öğrenimi, IC tasarımında daha fazla eğitim gerektirir ve bu eğitimler, aynı zamanda dikkate alınmaları gerektiğinden ısı dengesi, elektronik sinyal akış mesafesi, işlem kitaplığı, metal katman, alet zinciri vb. Dikkate alınarak IC tasarım yöntemine odaklanır. Yarı iletken malzemelerin fiziksel sorunu daha karmaşıktır. En çekirdek kısmın mantık işleme yönü, AI programındaki modele benzer.Çözülmesi gereken problemin türüne göre hangi mantığın kullanılacağına karar verilmesi gerekir.Örneğin, çizim işleme veya çok sayıda paralel hesaplama ihtiyacı karşısında, genellikle genel olan GPU'yu seçeceğiz. Hesaplama CPU kullanır ve eğer sinir ağı modelinin işlenmesi ve hızlandırılması ise NPU yapısı kullanılır.
Şu anda, IC tasarım eğitimi gereksinimleri açısından, çeşitli IC tasarım şirketlerinin gizli teknolojisi nedeniyle, açık kanallardan öğrenme yöntemlerini elde etmek zordur.Diğer bir deyişle, gelecekte yapay zeka tabanlı IC tasarımında makine öğrenimi için gerekli veri kaynakları olabilir. Sadece kendi kendine tasarlanan planlarla sınırlı olabilir, bu da sınırlı referansla sonuçlanır ve gelecekte tam bir özerklik elde etmek zor olacaktır. Dökümhaneler, müşteri tasarımlarını korumak için büyük miktarda kilit IC tasarım verisi elde edebilse de, EDA şirketlerinin bile bu kanallardan büyük veri elde etmesi zordur.
Şiddetli pazar rekabeti, IC tasarım şirketlerinin verileri model olarak kullanmak üzere EDA şirketlerine açıklamayı reddetmelerine neden oldu. Sonuçta, EDA araçlarının otomasyon derecesi ne kadar yüksekse, daha fazla proje yapılabilir. IC tasarım şirketleri için daha fazlasını getirebilir Bu uygundur, ancak daha fazla rakibi de beraberinde getirebilir ve bu, EDA araçlarının yapay zeka olma konusundaki mevcut ikilemidir.
Gelecekte, makineler tarafından bağımsız olarak tasarlanan donanım ve yazılımların oranı önemli ölçüde artacak ve insan durumu tehlikede mi?
Google'ın yanı sıra, giderek daha fazla satıcı, Intel Labs'tan AI Programmer ve Microsoft'tan DeepCoder gibi AutoML gibi otomatikleştirilmiş AI araçları geliştiriyor; EDA aracı satıcıları da büyük veri paylaşımı ve erişim sorununu çözmeye çalışıyor . Gelecekte, kendi AI modelimizi oluşturmak istiyorsak, nasıl programlayacağımızı öğrenmemize gerek kalmayabilir, ancak doğru aracı seçip doğru veri setini girdiğimiz sürece, araç modeli otomatik olarak oluşturacaktır. IC tasarımcıları tarafından IC düzeni ve doğrulaması için harcanan sürenin de yüksek düzeyde AI tabanlı EDA araçlarının yardımıyla büyük ölçüde azaltılması bekleniyor ve geliştiriciler temel mantık algoritma yapısına odaklanabiliyor.
Bu, yapay zekanın mevcut manuel yöntemlerin yerini alacağı anlamına mı geliyor? Cevap zaten açık.
Tıpkı genel müşteri hizmetleri veya tekrarlayan kağıt işleme görevleri gibi, gelecekte kesinlikle büyük bir marjla değiştirilecektir.Bir yazılım şirketindeki iş basit arayüz tasarımı veya genel bir programlama veya modelleme çalışanıysa, yakın gelecekte olabilir. İş için endişeliyim, ancak çekirdek algoritmanın veya tasarımcının kısa sürede yapay zeka ile değiştirilmesi hala zor, bu yüzden şimdilik arkanıza yaslanıp rahatlayabiliyorum.
Aynısı IC tasarımı için de geçerlidir.Temel hata ayıklama çalışması veya IC içindeki temel düzen tasarımı çalışması büyük ölçüde AI ile değiştirilebilir, ancak NVIDIA GPU'daki CUDA birimi ve X86 CPU gibi temel ana mimari parçaları Kod çözme ve dal tahmin yapıları kısa sürede AI tarafından tasarlanmamaktadır.
Tabii ki, bu aynı zamanda gelecekte ister yazılım ister IC tasarımında olsun, Geliştiricilere olan gerçek ihtiyaç muhtemelen büyük ölçüde azalacak ve seçkin askerlerin politikası benimsenecek ; Dökümhanedeki makine hata ayıklama personelinin yerini muhtemelen yapay zeka alacak.Sonuçta, hata ayıklama işi yapay zekadan daha fazla çalışkan ve dikkatli değil. Dökümhanedeki insan çalışanlar, Muhtemelen malzeme ve süreç geliştirme konusunda yetkin olan sadece birkaç üst düzey yetenek kalmıştır.
Başka bir bakış açısıyla, Yapay zeka'nın IC ve yazılım teknolojisinin bağımsız tasarımı ve geliştirilmesinin getirdiği değişiklikler, esas olarak mevcut yarı iletken endüstrisine yeni değişiklikler getirecek ve geleneksel değer zincirindeki iş bölümünü daha da değiştirebilir. İster Huawei HiSilicon'ın geliştirme modeli, ister Hon Hai'nin çok çeşitli alanları kapsayan stratejik yerleşimi olsun, yapay zeka, ister yukarı ister aşağı yönde dikey gelişim olsun, birçok şirket için yeni stratejik düşünme yönleri açacaktır. Yapay zeka yeteneklerini tamamen aşılayan yatay bir sektörler arası alandır.Yakının getirdiği devrim niteliğindeki değişiklikler o kadar güçlü ki küçümsenemezler.
