谷歌稱其正在使用機器學習系統幫助工程師設計新一代機器學習芯片。谷歌工程師表示，算法設計的芯片質量和人工設計“相當”甚至“還要更好”，但完成速度要快得多。谷歌表示，人工智能可以在不到6小時的時間內完成人工需要數月時間完成的芯片設計工作。

Google多年來一直在研究如何使用機器學習製造芯片，本週Google員工發表在《自然》雜誌的一篇論文證實此類研究已經應用於商業產品。Google開始用人工智能設計自家的TPU芯片。

據悉，TPU芯片是應用於人工智能的芯片，專門針對人工智能計算進行了優化。“我們的方法已經用於生產設計新一代GoogleTPU，”Google研究科學家、論文作者阿扎莉亞·米爾霍塞尼(Azalia Mirhoseini)和安娜·戈爾迪(Anna Goldie)寫道。

換句話說，人工智能正在幫助推動人工智能技術的進步。

Google工程師在論文中指出，這項工作對芯片行業有“重大影響”。這可以讓公司在設計芯片時探索架構可能性的速度更快，為特定工作負載定制芯片也更便捷。

《自然》雜誌的一篇評論稱這項研究是一項“重要成就”，並指出此類工作可以幫助抵消摩爾定律的終結。摩爾定律是20世紀70年代出現的一個芯片設計原則，也就是芯片上的晶體管數量每兩年翻一番。人工智能不一定能突破物理極限、將越來越多的晶體管壓縮到芯片上，但可以幫助工程師找到提高芯片性能的其他途徑。

圖示：Google的人工智能專用芯片TPU

Google算法處理的具體任務被稱為“芯片版面規劃”。通常情況下，設計師需要在計算機工具的幫助下為CPU、GPU以及內存核心等芯片子系統找到在矽晶片上的最佳佈局。這些芯片子系統通過總共長達幾十公里的微小線路連接在一起，芯片上每個子系統的位置均會影響芯片的最終處理速度和效率。而且，考慮到芯片製造的規模和計算週期，納米層面上的位置調整最終會帶來巨大影響。

Google工程師們指出，規劃芯片版面對人來說需要“數月的緊張工作”，但從機器學習的角度來看，完全可以像下棋那樣解決這個問題。

人工智能已經證實其可以在國際象棋和圍棋等棋類游戲中勝過人類。Google工程師們指出，芯片版面規劃與此類挑戰相似，只不過用的不是棋盤，而是矽片。棋盤上的棋子變成了CPU和GPU等芯片子系統器件。接下來的任務就是讓機器學習系統找到“獲勝條件”。在國際象棋比賽中是吃掉對方的王，而在芯片設計中是計算效率。

Google工程師利用芯片版面規劃數據集來訓練一種強化的機器學習算法，其中有1萬個不同質量的芯片版面規劃圖，一些規劃是隨機生成的。每個規劃圖所需電線長度和功耗有所不同。然後，訓練後的算法利用這些數據來區分版面規劃的好壞，並相應生成新的設計。

當人工智能在棋類游戲中挑戰人類時，機器並不一定像人類那樣思考，而且經常會對熟悉問題提出意想不到的解決方案。DeepMind的AlphaGo與圍棋冠軍李世石對弈時就是如此，人工智能看似不合邏輯的一步棋卻最終取得了勝利。

Google的芯片設計算法並沒有帶來如此戲劇性的變化，但其生成的芯片版面設計與人工設計完全不同。在人工智能設計的芯片版面中，各個子系統並沒有整齊排列，看起來幾乎是隨機分散在矽片上。《自然》雜誌的一幅插圖展示了這種差異，左邊是人工設計的芯片版面，右邊則是機器學習系統設計的。由於相關設計是保密的，這些圖片被作者有意做了模糊化處理。

圖示：左邊是人工設計的芯片版面，右邊則是機器學習系統設計的

這篇論文之所以值得注意，是因為其研究成果現在正被Google用於商業用途。但這遠不是人工智能輔助芯片設計的唯一應​​用。Google還在“架構探索”等芯片設計過程的其他部分使用人工智能，而英偉達等競爭對手也在研究其他方法來加快芯片研發工作流程。用人工智能設計人工智能芯片的良性循環似乎才剛剛開始。