Ricursive Intelligence 認為 AI 晶片設計是突破運算瓶頸的途徑

前言

隨著運算能力需求不斷攀升，科技產業面臨一項挑戰：如何擴充容量，而不只靠興建更多資料中心。Ricursive Intelligence 創辦人 Anna Goldie 和 Azalia Mirhoseini 認為，更好的做法或許是運用人工智慧設計效率更高的晶片。在週三的 TechCrunch Disrupt 活動上，她們介紹了一套能生成晶片設計、從每次迭代中學習並改良後續版本的系統。她們的目標是將這個傳統上需要大量人力的流程自動化並加速。創辦人表示，AI 能探索人們可能不會考慮的設計，同時協助更有效運用資料中心的頻寬、晶圓和晶圓廠。本文將探討她們的方法、所舉的案例，以及她們眼中客製化晶片在各種應用領域的可能性。

懶人包

Ricursive Intelligence 正在開發能設計晶片、從過往迭代中學習並改良後續設計的 AI 工具。創辦人認為，提升晶片運用資料中心頻寬與製造資源的效率，有助於因應急遽攀升的運算需求。她們以先前開發的 AlphaChip 為例，說明 AI 如何產生一種非傳統的圓形配置，而且證明成效良好。她們的方法不是將晶片切分成許多較小的區塊，而是以整體方式最佳化晶片。核心理念是，更快速、更有效率的設計，能讓專用晶片實際應用於更多領域。

正文

Ricursive Intelligence 正致力於推動 AI 輔助晶片設計；其創辦人認為，這可能是因應運算資源需求日益增長的一種方式。Anna Goldie 和 Azalia Mirhoseini 於週三在 TechCrunch Disrupt 活動上介紹公司的成果，說明 AI 如何設計晶片、評估結果，並運用每次迭代所得的經驗改進後續設計。她們的方法並非將人工智慧視為只能依照固定藍圖行事的工具，而是讓 AI 參與探索和改良藍圖本身。

這項工作的動機來自預期中的運算需求增長。Goldie 表示，未來五年，需求可能至少成長 10,000x，並形容這項估計可能還算保守。她認為，只靠興建更多資料中心來滿足需求並不理想。相反地，她表示，業界應提高晶片效率，並更有效地運用資料中心的頻寬、晶圓和晶圓廠。依她的看法，提升現有及未來基礎設施的生產力，或許比無止盡地擴大實體容量更可取。

Goldie 以一個刻意誇張的畫面說明這項疑慮：她開玩笑說，即使把資料中心蓋在太空中，「你也再也看不到太陽了。」這番話凸顯了公司工作的實際考量。運算容量不只取決於建置了多少棟建築或部署了多少台機器。晶片設計、頻寬運用和製造資源，也會影響可提供多少有效運算能力。Ricursive 的主張是，更好的設計有望同步改善這些因素。

這項提議可能讓人擔心 AI 將接手複雜的工程領域。Goldie 對這種變化有不同的解讀：AI 可以承擔執行密集型工作，讓人類專注於構想和創意解題。她表示，這種趨勢已經出現在晶片設計和軟體開發等領域。依她的說法，人們提出目標、概念並運用判斷力，而 AI 則協助將這些想法轉化為可用的設計。這並不代表人類專業知識變得無關緊要；創辦人設想的是專業知識運用方式的轉變。

創辦人相信 AI 能帶來新意，其中一個原因是它能產生與傳統工程解法截然不同的配置。Goldie 和 Mirhoseini 提到了她們先前開發的 AI 系統 AlphaChip。該系統設計出一種圓形的「甜甜圈狀」晶片元件排列方式，起初讓工程師感到意外。這種設計雖不循常規，但創辦人表示，最終證明成效良好。這個例子說明，AI 系統能搜尋龐大的設計空間，找出人們運用熟悉方法可能想不到的排列方式。

這種探索方式與更廣泛的流程差異有關。創辦人表示，傳統晶片設計通常會將晶片切分成數十個較小區塊，並分別處理。相較之下，Ricursive 的方法旨在將整顆晶片作為整體進行最佳化。檢視完整設計，可能讓 AI 系統發現元件之間的關聯；若將各部分個別處理，這些關聯就較難掌握。Goldie 和 Mirhoseini 表示，這種方法能產生複雜的圖樣，包括波浪狀設計，並指出她們計畫未來分享更多相關成果。

整顆晶片最佳化，本身並不能證明每一種 AI 生成的配置都會勝過傳統設計。創辦人分享的案例展現了不尋常設計的潛力，但任何晶片的價值，最終取決於它是否符合預定需求。晶片必須適用於目標應用，也必須符合製造和部署的實際限制。創辦人的主張是，AI 能擴大工程師考慮的設計範圍，讓他們有更多選項可供評估和改良。

潛在影響不僅限於改善通用運算。Goldie 表示，晶片設計所需的時間會影響哪些專案值得投入。如果設計一款新晶片需要六個月、一年或兩年，組織就必須非常慎重地選擇開發項目。若能在大約一週內完成設計，這項評估就可能改變。如果設計速度提升且經濟效益可行，企業就能考慮為更多不同應用開發客製化晶片，而非依賴少數幾種通用選項。

創辦人指出，太空、AR 和 VR 等領域可能受惠於專用設計。Goldie 也提到生物運算，但相關發言來源未進一步說明這類晶片可能採取何種形式。背後的主張是，不同應用可能會受惠於針對特定任務量身打造的晶片。客製化可能提升效能或能源效率，而更快速的設計週期則可能讓更多專用專案得以實現。

能源效率是這項論點的重要部分。Goldie 將客製化晶片設計與降低能源用量的可能性相連結，並提及更有效運用資料中心頻寬和製造資源。這些因素彼此相關，但並不相同：設計可能針對特定應用進行最佳化，但仍須評估整個系統的資源使用情況。創辦人的說法描述的是她們希望推動的方向，而非保證每一款客製化晶片都能降低能源消耗。

因此，Ricursive 的願景結合了多項概念：AI 生成晶片配置、迭代學習、整體晶片最佳化，以及更快速的設計週期。公司創辦人認為，這些能力有助於因應需求，而不必只靠按比例增加資料中心建設。她們的論據一部分基於 AI 產生非傳統配置的能力，例如 AlphaChip 的圓形排列；另一部分則著眼於更快速開發專用設計的可能性。

更廣泛的成果，將取決於這些系統能否有效將有前景的配置轉化為可實際製造和使用的晶片。創辦人已介紹她們的方法及系統能找出的部分設計模式，也表示有意分享更多相關工作。目前，她們的核心主張是，AI 能協助工程師更快速、更廣泛地探索晶片設計。如果這能帶來效率更高的晶片，並讓客製化硬體在財務上切實可行，就可能成為因應日益嚴峻運算挑戰的一種途徑。

重點摘要表