Google正在使用AI设计更有效地运行AI的处理器

Google有大量的计算硬件谷歌Google的工程师任务了一种人工智能，设计了更快，更有效的处理器，然后使用其芯片设计来开发下一代的专用计算机，这些计算机运行了相同类型的AI算法。

Google大规模运行，它设计了自己的计算机芯片而不是购买商业产品。这使其可以优化芯片以运行自己的软件，但是该过程耗时且昂贵。自定义芯片通常需要两到三年才能开发。

芯片设计的一个阶段是一个称为平面图的过程，其中涉及将新芯片的最终电路图放在有效的制造布局中。尽管此时芯片的功能设计已经完成，但布局可能会对速度和功耗产生巨大影响。对于智能手机中的芯片，优先级可能是削减功耗以提高电池寿命，但是对于数据中心来说，最大化速度可能更重要。

Google的安娜·戈迪（Anna Goldie）说，平面图以前是一项高度手动且耗时的任务。她说，团队会将较大的芯片分成块，并并行处理零件，摆弄小巧的精炼。

但是戈尔迪（Goldie）和她的同事们现在创建了软件，将平面图的问题变成了神经网络的任务。它将空白的芯片及其数百万个组件视为具有大量可能解决方案的复杂拼图。目的是优化工程师决定的任何参数最重要的参数，同时还将所有组件和连接准确地放置。

该软件首先是随机开发解决方案，这些解决方案已通过单独的算法对性能和效率进行了测试，然后馈回第一个算法。通过这种方式，它逐渐了解了哪些策略是有效的，并基于过去的成功。戈迪说：“它从随机开始，得到了非常糟糕的位置，但是经过数千次迭代，它变得非常好和快速。”

该团队的软件在不到6个小时的时间内生成了芯片的布局，这些布局与人类在功耗，性能和芯片密度方面相当或优越。现有的称为替换的软件工具以类似的速度完成设计，在测试中所有计数中都没有人类和AI。

实验中使用的芯片设计是Google的张量处理单元（TPU）的最新版本，该版本旨在运行与公司的搜索引擎和自动翻译工具一起使用的完全相同的神经网络算法。可以想象，将来将使用这种新型AI设计的芯片来设计其后继产品，并且该继任者将被用来设计自己的替代品。

该团队认为，相同的神经网络方法可以应用于芯片设计的其他各种耗时的阶段，从多年到几天都削减了整个设计时间。该公司的目标是快速迭代，因为即使速度或功耗的较小改善也可以在其运营的巨大规模上产生巨大的影响。

“不释放下一代的机会成本很高。假设新的是更有效的功率。鉴于它已经在各种不同的数据中心中部署在机器学习的碳足迹上的影响水平确实很有价值。

本文来自作者[admin]投稿，不代表象功馆立场，如若转载，请注明出处：https://m1.xianggongguan.cn/zskp/202506-124.html