Google DeepMind, yapay zekasının veri merkezlerinde ve hatta akıllı telefonlarda kullanılan çiplerin tasarlanmasına yardımcı olduğunu söylüyor. Ancak bazı çip tasarım uzmanları, şirketin bu tür bir yapay zekanın yeni çip düzenlerini insanlardan daha iyi planlayabileceği iddialarına şüpheyle yaklaşıyor.
Google DeepMind araştırmacıları Anna Goldie ve Azalia Mirhoseini bir blog yazısında, yeni adlandırılan AlphaChip yönteminin haftalar ya da aylar süren insan çabasına dayanmak yerine saatler içinde "insanüstü çip düzenleri" tasarlayabildiğini söyledi. Bu yapay zeka yaklaşımı, çip bileşenleri arasındaki ilişkileri anlamak için pekiştirmeli öğrenmeyi kullanıyor ve nihai yerleşim kalitesine göre ödüllendiriliyor. Ancak bağımsız araştırmacılar, şirketin bu tür bir yapay zekanın uzman insan çip tasarımcılarından veya ticari yazılım araçlarından daha iyi performans gösterebileceğini henüz kanıtlamadığını ve AlphaChip'in performansını mevcut, son teknoloji devre tasarımlarını içeren halka açık karşılaştırmalarda görmek istediklerini söylüyorlar.
New York'taki Binghamton Üniversitesi'nden Patrick Madden, "Google bu tasarımlar için deneysel sonuçlar sağlarsa, adil karşılaştırmalar yapabiliriz ve herkesin sonuçları kabul edeceğini umuyorum" diyor. "Deneylerin yapılması en fazla bir ya da iki gün sürer ve Google'ın neredeyse sonsuz kaynakları var — bu sonuçların sunulmamış olması bana çok şey anlatıyor." Google DeepMind ek yorum yapmayı reddetti.
Google DeepMind'ın blog yazısı, Google'ın 2021 Nature dergisinde şirketin yapay zeka süreciyle ilgili yayınladığı makalenin güncellemesine eşlik ediyor. O zamandan bu yana Google DeepMind, AlphaChip'in Google'ın Tensör İşleme Birimlerinin (TPU) üç neslinin tasarlanmasına yardımcı olduğunu söylüyor — Google'ın Gemini sohbet robotu gibi hizmetler için üretken yapay zeka modellerini eğitmek ve çalıştırmak için kullanılan özel çipler.
Şirket ayrıca yapay zeka destekli çip tasarımlarının insan uzmanlar tarafından tasarlananlardan daha iyi performans gösterdiğini ve istikrarlı bir şekilde geliştiğini iddia ediyor. Yapay zeka bunu, çip bileşenlerini bağlamak için gereken toplam kablo uzunluğunu azaltarak başarıyor — bu, çip güç tüketimini azaltabilecek ve potansiyel olarak işlem hızını artırabilecek bir faktör. Google DeepMind, AlphaChip'in Google'ın veri merkezlerinde kullanılan genel amaçlı çipler için düzenler oluşturduğunu ve MediaTek şirketinin Samsung cep telefonlarında kullanılan bir çip geliştirmesine yardımcı olduğunu söylüyor.
Ancak çip tasarım araştırmacısı Igor Markov, Google tarafından kamuya açıklanan kodun endüstrideki yaygın çip veri formatlarını desteklemediğini, bunun da yapay zeka yönteminin şu anda Google'ın tescilli çipleri için daha uygun olduğunu gösterdiğini söylüyor. "AlphaChip'in bugün ne olduğunu, ne yaptığını ve ne yapmadığını gerçekten bilmiyoruz" diyor. "Takviyeli öğrenmenin ticari araçlarda kullanılan yöntemlerden iki ila üç kat daha fazla işlem kaynağı gerektirdiğini ve genellikle [sonuçlar açısından] geride kaldığını biliyoruz."
Markov ve Madden, orijinal makalenin AlphaChip'in isimsiz insan uzmanlardan daha iyi performans gösterdiğine dair tartışmalı iddialarını eleştirdi. "İsimsiz insan tasarımcılarla yapılan karşılaştırmalar özneldir, tekrarlanabilir değildir ve oyuna getirilmesi çok kolaydır. İnsan tasarımcılar düşük çaba harcıyor ya da yetersiz kalifiye olabilirler — burada bilimsel bir sonuç yoktur" diyor Markov. "AlphaGo'nun isimsiz Go oyuncularına karşı kazandığını bildirdiğini düşünün."
2023 yılında, Google'ın makalesini inceleyen bağımsız bir uzman, başlangıçta Google'ın çalışmasını öven Nature yorum makalesini geri çekti. Bu uzman, San Diego'daki California Üniversitesi'nden Andrew Kahng, Google'ın yapay zeka yöntemini kopyalamaya çalışan ve bir insan uzmandan ya da geleneksel bilgisayar algoritmalarından sürekli olarak daha iyi performans göstermediğini tespit eden halka açık bir kıyaslama çalışması da yürüttü. En iyi performans gösteren yöntemler Cadence ve NVIDIA gibi şirketlerin çip tasarımına yönelik ticari yazılımları oldu.
Madden, "Adil bir karşılaştırma olduğunu düşündüğüm her kıyaslamada, pekiştirmeli öğrenmenin büyük bir farkla son teknolojinin gerisinde kaldığı görülüyor" diyor. "Devre yerleştirme için, bunun umut verici bir araştırma yönü olduğuna inanmıyorum."