聯發科宣布，將于近期將機器學習導入芯片設計，運用強化學習（reinforcement learning） 讓機器自我探索學習，預測芯片最佳電路區塊位置（location） 與形狀（shape）。

這一舉措可大幅縮短芯片設計的開發時間，并建構性能更強大芯片，成為改變游戲規則的大突破。據悉此技術將于11 月臺灣地區舉行IEEE亞洲固態電路研討會A－SSCC發表，同步申請國際專利。

AI設計芯片，工程師的失業危機？

隨著芯片復雜性不斷提高，如何讓數量龐大的組件處于最佳位置且功能正常，是芯片布局的嚴峻挑戰。早期電路區塊布局不僅需要龐大的富有經驗的工程師人力支持，而且還需要耗時數周才能產出方案給芯片系統開發者使用。

此次，聯發科運用AI機器學習演算法，可將時間縮短至一天甚至數小時，就能預測出最佳化電路區塊布局，效益不只超越人工，更能透過GPU加速，提供多達數十項可行開發方案，釋放研發人力時間及心力投注其他更復雜的系統架構。聯發科還運用模型預訓練技術，讓機器持續隨專案演化，將一代優于一代的精神應用至芯片開發。

聯發科指出，AI先進技術注入新演算法，針對極復雜的芯片設計，決定最佳電路配置，除了決定區塊（block） 最佳位，還能調整成最佳形狀，將機器學習應用在最佳化設計、減少錯誤，探索未知、協助工程師花更少時間，產出更好成果。

聯發科芯片設計研發本部群資深副總經理蔡守仁表示，不論企業界和學術界，近年少有早期電路區塊布局文獻研究。聯發科本次突破性發展，將AI和EDA 結合出機器最佳化電路區塊布局，協助研發人員提高效率并自動執行最佳化任務。技術逐步整合導入聯發科全線開發設計流程，包括手機、電視、網絡通信等芯片，有效提升研發能量、縮短研發時程、協助公司及客戶快速搶占市場先機。

AI技術能幫助芯片設計解決哪些難題

實際上，用AI來完成芯片設計的案例不在少數，聯發科也并非第一家這么做的廠商。在去年9月，由Jeff Dean領銜的谷歌大腦團隊以及斯坦福大學計算機科學系的科學家們在一項聯合報告中證明，機器學習工具已可以極大地加速計算機芯片設計。

科學家們給出了一種基于深度強化學習的芯片布局規劃方法，該方法能給出可行的芯片設計方案，且芯片性能不亞于人類工程師的設計。最重要的是，完成整個芯片設計的過程只要幾個小時，不再需要幾個月了。

Jeff Dean是被譽為“谷歌傳奇”、“谷歌AI掌門人”的天才，曾榮獲2021年IEEE馮諾依曼獎，在他的帶隊下，這支研究團隊最新的研究表明，人工智能機器學習工具已經可以用來加速芯片設計中“布局規劃”的流程。簡單來說，科學家們讓這個機器學習工具把“布局規劃”看作一種棋盤游戲，“棋子”就是電子元器件，而“棋盤”是放置電子元器件的電子畫布，下棋得到的“獲勝結果”就是通過一系列評估指標獲取最優性能。

AI技術的參與確實能幫助解決芯片設計中的諸多難題。

首先是芯片層的設計規劃。芯片設計布局不是簡單的二維平面問題，而是復雜的三維設計問題，需要在一個受限制的區域內跨多個層小心地配置成百上千個組件。人類會手動設計配置，以最小化組件之間使用的電線數量來提高效率，然后使用電子設計自動化軟件（EDA等）來模擬和驗證它們的性能，而僅一個單層的平面圖就需要花費超過30個小時。如今AI技術也能以人類的思維模式去考慮芯片性能、復雜性、制造成本等多個因素，以最佳方式進行設計。

第二點是效率，如果說一枚芯片的存活周期在2到5年，那么光是設計階段就占用了好幾個月甚至一年以上時間，AI技術的參與可以極大縮減研發人員的開發時間。

第三點是智能化程度，算法可以計算到人們腦力“盲區”，訓練計算的數量上去了，可作為優選的方案自然也就更多了。換言之，算法的許多平面圖其實比人類工程師設計的要好，也就是說它還教會了人類一些新技巧，這也是一個相互學習的過程。

AI不能主導芯片設計

AI技術的參與，確實能夠幫助人們提升芯片測試效率，相比用人力去排查異常并糾錯，用AI排查問題的速度明顯更快。基于AI設計的代理模型能夠對實驗數據中的參數進行調整，對實驗結果進行模擬，實現模型的快速更新迭代。

但再強大的算法就算能縮減芯片設計的時長，也不意味著具有完全自主決策的能力，它更多的還是扮演著“AI助理”的角色，只不過這個助理豐富的案例和超快計算能力，能夠更好的幫助人類工程師實現快速的芯片設計流程。

目前在GitHub和MATLAB平臺上，已經公布了眾多與芯片設計相關的程序，行業內越來越多的公司開始將AI應用到芯片設計工作中，以釋放人力成本，提升工作效率。未來，人們可能不用再等上幾年或者幾個月，就能看到性能翻倍的芯片。