Интеграция искусственного интеллекта в сферу проектирования полупроводников достигла значительных масштабов. Еще в конце августа компания Architect Labs заявила о создании процессора, который был практически полностью разработан с применением ИИ. Это достижение стало важной вехой в отрасли, где нейросети все чаще помогают инженерам на различных этапах — от написания RTL-кода до верификации проектов и оптимизации физического размещения компонентов.
Трансформация инструментов автоматизации проектирования
Традиционные инструменты электронного проектирования (EDA) на протяжении последних лет эволюционировали благодаря внедрению машинного обучения. Ведущие разработчики программного обеспечения, такие как Cadence, Synopsys, Siemens EDA и Ansys, начали выпускать версии своих продуктов с поддержкой ИИ еще в начале 2020-х годов. Первое поколение подобных решений было сосредоточено на решении узких задач оптимизации.
Используя методы обучения с подкреплением, инструменты анализировали заданные ограничения и цели, чтобы найти оптимальные варианты компоновки и маршрутизации. Основным преимуществом стала способность алгоритмов обучаться на результатах предыдущих итераций, что существенно сокращало время разработки и помогало достигать целевых показателей мощности, производительности и площади (PPA). Несмотря на это, автономность таких систем оставалась ограниченной: человек по-прежнему задавал ключевые параметры, запускал симуляции и принимал решение о следующем шаге в процессе разработки.
Развитие агентных систем в разработке чипов
Современные ИИ-решения демонстрируют более высокий уровень самостоятельности. Генеративный ИИ сегодня способен писать и модифицировать RTL-код или сценарии верификации, самостоятельно выявляя потенциальные ошибки и предлагая варианты их устранения. Появление агентных систем позволило автоматизировать последовательности инженерных задач без постоянного участия человека. Такие агенты способны анализировать промежуточные результаты, вносить изменения в параметры дизайна и запускать новые циклы симуляций до достижения заданных характеристик.
К 2023–2024 годам компании Cadence и Synopsys сообщили, что сотни реальных проектов были завершены с помощью их ИИ-инструментов, таких как DSO.ai, VSO.ai и TSO.ai. Однако степень вовлеченности искусственного интеллекта существенно различается у разных участников рынка, включая Google, Nvidia, OpenAI и Architect Labs.
Опыт внедрения ИИ у технологических гигантов
Компания Google одной из первых начала использовать нейросети для создания ускорителей ИИ. Система AlphaChip применяет обучение с подкреплением для задач физического проектирования: она эффективно размещает функциональные блоки на кристалле, однако не занимается изобретением всей архитектуры процессора. Согласно данным Google DeepMind за 2024 год, технология AlphaChip применялась при создании трех последних поколений тензорных процессоров (TPU).
Подход Nvidia отличается тем, что компания обучает специализированные модели на внутренних данных, включая собственный RTL-код, техническую документацию и накопленный инженерный опыт. Это позволяет автоматизировать процессы, которые традиционно выполнялись аппаратными инженерами. Тем не менее в Nvidia четко разделяют автоматизацию рутинных задач и автономное проектирование архитектуры.
Проект Jalapeño от OpenAI представляет собой один из наиболее ярких примеров реализации на кремнии. Применение ИИ позволило компании сократить путь от начального дизайна до производства за девять месяцев. По данным OpenAI, использование ИИ привело к улучшению характеристик некоторых компонентов: так, эффективность BF16-умножителя выросла на 56%, FP4-блока скалярного произведения — на 21%, а FP32-аккумулятора — на 10%. При этом архитектурные решения по-прежнему оставались прерогативой человека.
Будущее автономных архитектур
Проект Redwood от Architect Labs демонстрирует иной подход. Разработчики заявляют, что после определения архитекторами базовых спецификаций ИИ самостоятельно сгенерировал логику, RTL-код, провел верификацию и создал прошивку. Система описывается как решение для машинного совместного проектирования. Процесс разработки занял менее двух недель. Важно отметить, что Redwood пока существует только в виде реализации на FPGA, а не в форме законченного ASIC-кристалла, поэтому заявленное преимущество в производительности на ватт по сравнению с Nvidia Jetson Orin Nano основывается на проектных характеристиках процесса Samsung 8LPP.
Несмотря на прогресс, отрасль все еще находится в состоянии «обратной связи»: современные модели ИИ функционируют на процессорах, разработанных людьми, но сами помогают создавать еще более мощные чипы для будущих вычислительных систем. Сегодняшние технологии позволяют ИИ участвовать в создании аппаратного обеспечения, однако фундаментальные решения о том, какие именно устройства должны быть созданы, остаются за человеком.
Эволюция инструментов: от оптимизации к автономности
Важно понимать разницу в подходах к проектированию. Инструменты EDA первого поколения, представленные Cadence, Synopsys, Siemens EDA и Ansys в начале 2020-х, фокусировались на жестко заданных задачах оптимизации. Их алгоритмы машинного (ML) и обучения с подкреплением (RL) работали в рамках заданных инженерами целей (Power, Performance, Area — PPA). Ключевым достижением того времени было использование накопленного опыта предыдущих запусков для сокращения количества итераций, необходимых для выполнения PPA-требований. Однако тогда ИИ лишь ускорял отдельные этапы, оставаясь под строгим контролем инженера, который конфигурировал потоки данных и анализировал каждый шаг.
Современные агентные системы кардинально меняют эту парадигму. Сегодняшний рабочий процесс включает не только генерацию кода, но и автоматизированное выполнение целых цепочек инженерных операций: от анализа отчетов и поиска точек потенциальных сбоев до запуска новых симуляций. Агент фактически «ведет» проект до достижения целевых показателей, что знаменует переход от ИИ как инструмента оптимизации к ИИ как активному участнику процесса разработки.
Кейсы лидеров рынка: глубина интеграции
Хотя такие гиганты, как Google, Nvidia и OpenAI, используют ИИ, их методы существенно различаются. Google DeepMind использует AlphaChip преимущественно для физического размещения (floorplanning) и оптимизации компоновки — это помогает ускорить разработку, но не заменяет творческую работу архитектора. Напротив, подход Nvidia базируется на обучении специализированных моделей на собственных данных: RTL-коде, внутренней документации и специфических инженерных наработках, доступных только компании. Это позволяет автоматизировать задачи, ранее требовавшие исключительно человеческого участия, хотя Nvidia все еще проводит четкую грань между автоматизацией и созданием архитектуры «с нуля».
OpenAI с проектом Jalapeño продемонстрировала наиболее впечатляющие результаты в реализации «на кремнии». Использование ИИ охватило не только верификацию, но и глубокую оптимизацию арифметических схем, а также исследование пространства проектирования. В частности, на конференции Hot Chips компания озвучила конкретные метрики: помимо указанного прироста эффективности блоков (BF16, FP4, FP32), удалось добиться снижения площади матричных и SIMD-блоков на 10% и 8% соответственно. И хотя архитектура осталась за инженерами, ИИ взял на себя тяжелую работу по превращению этой архитектуры в готовую схему.
Architect Labs и «машинное со-проектирование»
Проект Redwood от Architect Labs выделяется на фоне конкурентов заявлением о применении принципов «машинного со-проектирования» (machine learning co-design). Если в случае с OpenAI человек сохраняет контроль над архитектурными решениями, то Architect Labs утверждает, что их система способна к исследованию архитектурных альтернатив. Процесс, в котором после определения спецификаций ИИ самостоятельно генерирует логику, верифицирует её и создает прошивку, является уникальным прецедентом.
Тем не менее, в этой истории важен контекст: Redwood пока не прошел стадию tapeout (запуска в производство) и не стал полноценным ASIC. Все текущие показатели производительности, включая утверждение о 3,4-кратном превосходстве в производительности на ватт над Nvidia Jetson Orin Nano, являются лишь проектными данными для техпроцесса Samsung 8LPP. Это наглядно демонстрирует, что, несмотря на впечатляющие темпы обучения и проектирования (менее двух недель), мы все еще далеки от момента, когда ИИ сможет самостоятельно определять цели для будущих поколений вычислительных систем.
Циклический прогресс
Сегодня отрасль находится в своего рода «петле обратной связи». Современные модели ИИ, используемые для оптимизации архитектур и RTL-кода, работают на процессорах, которые проектировались людьми при помощи предыдущих версий этого же ИИ. Эти системы проектируют «железо», на котором в будущем будут обучаться их же преемники. Однако вопрос «могут ли машины проектировать машины сегодня» остается открытым: системы способны выполнять сложнейшую работу по реализации и верификации, но фундаментальные решения о том, *что именно* и *зачем* должно быть создано, по-прежнему лежат в области человеческой компетенции.
