联发科宣布，将于近期将机器学习导入芯片设计，运用强化学习（reinforcement learning） 让机器自我探索学习，预测芯片最佳电路区块位置（location） 与形状（shape）。
这一举措可大幅缩短芯片设计的开发时间，并建构性能更强大芯片，成为改变游戏规则的大突破。据悉此技术将于11 月台湾地区举行IEEE亚洲固态电路研讨会A－SSCC发表，同步申请国际专利。
AI设计芯片，工程师的失业危机？
随着芯片复杂性不断提高，如何让数量庞大的组件处于最佳位置且功能正常，是芯片布局的严峻挑战。早期电路区块布局不仅需要庞大的富有经验的工程师人力支持，而且还需要耗时数周才能产出方案给芯片系统开发者使用。
此次，联发科运用AI机器学习演算法，可将时间缩短至一天甚至数小时，就能预测出最佳化电路区块布局，效益不只超越人工，更能透过GPU加速，提供多达数十项可行开发方案，释放研发人力时间及心力投注其他更复杂的系统架构。联发科还运用模型预训练技术，让机器持续随专案演化，将一代优于一代的精神应用至芯片开发。
联发科指出，AI先进技术注入新演算法，针对极复杂的芯片设计，决定最佳电路配置，除了决定区块（block） 最佳位，还能调整成最佳形状，将机器学习应用在最佳化设计、减少错误，探索未知、协助工程师花更少时间，产出更好成果。
联发科芯片设计研发本部群资深副总经理蔡守仁表示，不论企业界和学术界，近年少有早期电路区块布局文献研究。联发科本次突破性发展，将AI和EDA 结合出机器最佳化电路区块布局，协助研发人员提高效率并自动执行最佳化任务。技术逐步整合导入联发科全线开发设计流程，包括手机、电视、网络通信等芯片，有效提升研发能量、缩短研发时程、协助公司及客户快速抢占市场先机。
AI技术能帮助芯片设计解决哪些难题
实际上，用AI来完成芯片设计的案例不在少数，联发科也并非第一家这么做的厂商。在去年9月，由Jeff Dean领衔的谷歌大脑团队以及斯坦福大学计算机科学系的科学家们在一项联合报告中证明，机器学习工具已可以极大地加速计算机芯片设计。
科学家们给出了一种基于深度强化学习的芯片布局规划方法，该方法能给出可行的芯片设计方案，且芯片性能不亚于人类工程师的设计。最重要的是，完成整个芯片设计的过程只要几个小时，不再需要几个月了。
Jeff Dean是被誉为“谷歌传奇”、“谷歌AI掌门人”的天才，曾荣获2021年IEEE冯诺依曼奖，在他的带队下，这支研究团队最新的研究表明，人工智能机器学习工具已经可以用来加速芯片设计中“布局规划”的流程。简单来说，科学家们让这个机器学习工具把“布局规划”看作一种棋盘游戏，“棋子”就是电子元器件，而“棋盘”是放置电子元器件的电子画布，下棋得到的“获胜结果”就是通过一系列评估指标获取最优性能。
AI技术的参与确实能帮助解决芯片设计中的诸多难题。
首先是芯片层的设计规划。芯片设计布局不是简单的二维平面问题，而是复杂的三维设计问题，需要在一个受限制的区域内跨多个层小心地配置成百上千个组件。人类会手动设计配置，以最小化组件之间使用的电线数量来提高效率，然后使用电子设计自动化软件（EDA等）来模拟和验证它们的性能，而仅一个单层的平面图就需要花费超过30个小时。如今AI技术也能以人类的思维模式去考虑芯片性能、复杂性、制造成本等多个因素，以最佳方式进行设计。
第二点是效率，如果说一枚芯片的存活周期在2到5年，那么光是设计阶段就占用了好几个月甚至一年以上时间，AI技术的参与可以极大缩减研发人员的开发时间。
第三点是智能化程度，算法可以计算到人们脑力“盲区”，训练计算的数量上去了，可作为优选的方案自然也就更多了。换言之，算法的许多平面图其实比人类工程师设计的要好，也就是说它还教会了人类一些新技巧，这也是一个相互学习的过程。
AI不能主导芯片设计
AI技术的参与，确实能够帮助人们提升芯片测试效率，相比用人力去排查异常并纠错，用AI排查问题的速度明显更快。基于AI设计的代理模型能够对实验数据中的参数进行调整，对实验结果进行模拟，实现模型的快速更新迭代。
但再强大的算法就算能缩减芯片设计的时长，也不意味着具有完全自主决策的能力，它更多的还是扮演着“AI助理”的角色，只不过这个助理丰富的案例和超快计算能力，能够更好的帮助人类工程师实现快速的芯片设计流程。
目前在GitHub和MATLAB平台上，已经公布了众多与芯片设计相关的程序，行业内越来越多的公司开始将AI应用到芯片设计工作中，以释放人力成本，提升工作效率。未来，人们可能不用再等上几年或者几个月，就能看到性能翻倍的芯片。
