谷歌稱其正在使用機器學習系統幫助工程師設計新一代機器學習晶片。谷歌工程師表示，
演算法設計的晶片質量和人工設計“相當”甚至“還要更好”，但完成速度要快得多
。谷歌表示，人工智慧可以在不到6小時的時間內完成人工需要數月時間完成的晶片設計工作。
谷歌多年來一直在研究如何使用機器學習製造晶片，本週谷歌員工發表在《自然》雜誌的一篇論文證實此類研究已經應用於商業產品。谷歌開始用人工智慧設計自家的TPU晶片。
據悉，TPU晶片是應用於人工智慧的晶片，專門針對人工智慧計算進行了最佳化。“我們的方法已經用於生產設計新一代谷歌TPU，”谷歌研究科學家、論文作者阿扎莉亞·米爾霍塞尼（Azalia Mirhoseini）和安娜·戈爾迪（Anna Goldie）寫道。
換句話說，人工智慧正在幫助推動人工智慧技術的進步。
谷歌工程師在論文中指出，
這項工作對晶片行業有“重大影響”
。這可以讓公司在設計晶片時探索架構可能性的速度更快，為特定工作負載定製晶片也更便捷。
《自然》雜誌的一篇評論稱這項研究是一項“重要成就”，並指出此類工作可以幫助抵消摩爾定律的終結。摩爾定律是20世紀70年代出現的一個晶片設計原則，也就是晶片上的電晶體數量每兩年翻一番。人工智慧不一定能突破物理極限、將越來越多的電晶體壓縮到晶片上，但可以幫助工程師找到提高晶片效能的其他途徑。
圖示：谷歌的人工智慧專用晶片TPU
谷歌演算法處理的具體任務被稱為“晶片版面規劃”。通常情況下，設計師需要在計算機工具的幫助下為CPU、GPU以及記憶體核心等晶片子系統找到在矽晶片上的最佳佈局。這些晶片子系統透過總共長達幾十公里的微小線路連線在一起，晶片上每個子系統的位置均會影響晶片的最終處理速度和效率。而且，考慮到晶片製造的規模和計算週期，奈米層面上的位置調整最終會帶來巨大影響。
谷歌工程師們指出，規劃晶片版面對人來說需要“數月的緊張工作”，但從機器學習的角度來看，完全可以像下棋那樣解決這個問題。
人工智慧已經證實其可以在國際象棋和圍棋等棋類遊戲中勝過人類。谷歌工程師們指出，晶片版面規劃與此類挑戰相似，只不過用的不是棋盤，而是矽片。棋盤上的棋子變成了CPU和GPU等晶片子系統器件。接下來的任務就是讓機器學習系統找到“獲勝條件”。在國際象棋比賽中是吃掉對方的王，而在晶片設計中是計算效率。
谷歌工程師利用晶片版面規劃資料集來訓練一種強化的機器學習演算法，其中有1萬個不同質量的晶片版面規劃圖，一些規劃是隨機生成的。每個規劃圖所需電線長度和功耗有所不同。然後，訓練後的演算法利用這些資料來區分版面規劃的好壞，並相應生成新的設計。
當人工智慧在棋類遊戲中挑戰人類時，機器並不一定像人類那樣思考，而且經常會對熟悉問題提出意想不到的解決方案。DeepMind的AlphaGo與圍棋冠軍李世石對弈時就是如此，人工智慧看似不合邏輯的一步棋卻最終取得了勝利。
谷歌的晶片設計算法並沒有帶來如此戲劇性的變化，但其生成的晶片版面設計與人工設計完全不同。在人工智慧設計的晶片版面中，各個子系統並沒有整齊排列，看起來幾乎是隨機分散在矽片上。《自然》雜誌的一幅插圖展示了這種差異，左邊是人工設計的晶片版面，右邊則是機器學習系統設計的。由於相關設計是保密的，這些圖片被作者有意做了模糊化處理。
圖示：左邊是人工設計的晶片版面，右邊則是機器學習系統設計的
這篇論文之所以值得注意，是因為其研究成果現在正被谷歌用於商業用途。但這遠不是人工智慧輔助晶片設計的唯一應用。谷歌還在“架構探索”等晶片設計過程的其他部分使用人工智慧，而英偉達等競爭對手也在研究其他方法來加快晶片研發工作流程。用人工智慧設計人工智慧晶片的良性迴圈似乎才剛剛開始。（網易）
