AlphaChip 是谷歌 DeepMind 开发的一项革命性的人工智能方法，它彻底改变了计算机芯片设计的方式。这项技术最初在 2020 年作为一个研究项目开始，现在已经发展成为一个用于设计芯片布局的强化学习方法。AlphaChip 能够利用人工智能加速和优化芯片设计过程，它的超人类芯片布局已经被用于谷歌自家的 Tensor Processing Unit（TPU）的最后三代产品中。TPU 是一种类似于 GPU 的芯片，专为加速 AI 操作而设计。
计算机芯片推动了人工智能的显著进步，AlphaChip利用人工智能来加速和优化芯片设计，再以此促进人工智能的发展。
AlphaChip 的核心是一个新颖的“基于边”的图神经网络，它能够学习芯片组件之间的关系，并且能够在不同的芯片之间进行泛化，从而随着每次设计的布局而不断改进。AlphaChip的设计过程开始于一个空白的网格，逐个放置电路元件，直到所有元件放置完毕，然后根据最终布局的质量给予奖励。这种新颖的“基于边”的图神经网络允许AlphaChip学习芯片组件之间的关系，并在不同的芯片之间进行泛化，从而随着每次设计的布局而不断改进。
谷歌的Axion处理器，这是谷歌首款基于Arm的通用数据中心CPU，也采用了AlphaChip技术进行设计。此外，谷歌还在开发新版本的AlphaChip，预计将覆盖从计算机架构到制造的整个芯片设计周期。
图：谷歌AI 加速器超级计算机（图源：谷歌）
与传统的人类工程师设计相比，AlphaChip 可以在数小时内生成高质量的芯片布局，而人类工程师通常需要花费数周或数月的时间来完成同样的工作。谷歌声称，AlphaChip 不仅加快了设计周期，而且还提高了芯片的性能。此外，谷歌还公开了 AlphaChip 的预训练检查点，分享了模型权重，这标志着该公司在推动 AI 芯片设计领域的开放合作方面迈出了重要一步。
自 2020 年以来，AlphaChip 一直用于设计 Google 自己的 TPU AI 加速器，这些加速器驱动着 Google 的许多大型 AI 模型和云服务。这些处理器运行基于 Transformer 的模型，为 Google 的 Gemini 和 Imagen 提供支持。AlphaChip 改进了每一代 TPU 的设计，包括最新的第 6 代 Trillium 芯片，以确保更高的性能和更快的开发速度。尽管如此，Google 和联发科都依赖 AlphaChip 提供有限的模块集，而大部分工作仍由人类开发人员完成。
谷歌表示，AlphaChip 的成功激发了新一轮研究，将人工智能应用于芯片设计的不同阶段。其中包括将人工智能技术扩展到逻辑综合、宏选择和时序优化等领域，尽管Synopsys 和 Cadence 已经提供了这些技术，但是价格不菲。据谷歌称，研究人员还在探索如何将 AlphaChip 的方法应用于芯片开发的进一步阶段。
谷歌对 AlphaChip 未来的展望是，AI 方法将自动化整个芯片设计流程，通过超人算法和硬件、软件以及机器学习模型的端到端协同优化，显著加快设计周期，并解锁性能的新领域。他们期待与社区合作，实现 AI 芯片和芯片 AI 之间的闭环。
