گوگل مدعی است که هوش مصنوعی آن چیپ‌هایی بهتر از انسان طراحی می‌کند.

این شرکت همچنین ادعا می‌کند که طراحی‌های چیپ با کمک هوش مصنوعی بهتر از آن‌هایی که توسط طراحان انسانی طراحی شده‌اند عمل می‌کنند و به طور پیوسته در حال بهبود بوده‌اند. هوش مصنوعی این کار را با کاهش طول کل سیم‌های مورد نیاز برای اتصال اجزای چیپ انجام می‌دهد – عاملی که می‌تواند مصرف برق چیپ را کاهش داده و شاید سرعت پردازش را افزایش دهد. همچنین گوگل دیپ‌مایند می‌گوید که AlphaChip چیدمان‌هایی برای چیپ‌های عمومی استفاده شده در مراکز داده گوگل ایجاد کرده و به شرکت مدیاتک برای توسعه یک چیپ مورد استفاده در گوشی‌های سامسونگ کمک کرده است.

اما کدی که به‌صورت عمومی توسط گوگل منتشر شده، از فرمت‌های داده‌ی رایج صنعت چیپ پشتیبانی نمی‌کند، که این نشان می‌دهد روش هوش مصنوعی بیشتر مناسب چیپ‌های اختصاصی گوگل است، به گفته ایگور مارکوف، محقق طراحی چیپ در یک شرکت رقیب. او می‌گوید: "ما واقعاً نمی‌دانیم AlphaChip امروز چه چیزی است، چه کاری انجام می‌دهد و چه کاری انجام نمی‌دهد." "ما می‌دانیم که یادگیری تقویتی نیاز به منابع محاسباتی بسیار بیشتری نسبت به روش‌های مورد استفاده در ابزارهای تجاری دارد و معمولاً از نظر نتایج عقب‌تر است."

مارکوف و مدن مقاله اصلی را که ادعا می‌کرد AlphaChip از طراحان انسانی ناشناس بهتر عمل کرده، نقد کرده‌اند. مارکوف می‌گوید: "مقایسه با طراحان انسانی ناشناس ذهنی است، قابل تکرار نیست و بسیار آسان است که آن را دستکاری کرد. طراحان انسانی ممکن است تلاش کمی بکنند یا به خوبی آموزش ندیده باشند. 

اینجا نتیجه علمی وجود ندارد." او ادامه می‌دهد: "تصور کنید که AlphaGo بردهایی را مقابل بازیکنان ناشناس Go گزارش دهد." سخنگوی گوگل دیپ‌مایند توضیح داد که این کارشناسان اعضای تیم طراحی چیپ TPU گوگل بودند که از بهترین ابزارهای تجاری موجود استفاده می‌کردند.

در سال ۲۰۲۳، یک کارشناس مستقل که مقاله گوگل را بررسی کرده بود، مقاله تحلیلی خود در Nature را که ابتدا کار گوگل را تحسین کرده بود اما همچنین بر تکرار نتایج تأکید داشت، پس گرفت. آن کارشناس، اندرو کانگ از دانشگاه کالیفرنیا سن‌دیگو، همچنین یک تلاش عمومی برای بنچمارک کردن را اجرا کرد که سعی داشت روش هوش مصنوعی گوگل را تکرار کند و دریافت که آن به طور مداوم از یک متخصص انسانی یا الگوریتم‌های کامپیوتری معمولی بهتر عمل نمی‌کند. بهترین روش‌های مورد مقایسه، نرم‌افزارهای تجاری یا ابزارهای تحقیقاتی داخلی شرکت‌هایی مانند Cadence و NVIDIA بودند. در بیانیه‌ای در سال ۲۰۲۳، گلدی و میرحسینی نتایج بنچمارک کانگ را به چالش کشیدند. آنها گفتند که آزمایش‌های او روش هوش مصنوعی را روی طراحی‌های خاص چیپ از پیش آموزش نداده بود – که یک عامل حیاتی در عملکرد آن است – و از "منابع محاسباتی بسیار کمتری" نسبت به تیم گوگل دیپ‌مایند برای آموزش هوش مصنوعی استفاده کرده بود.

مدن می‌گوید: "در هر بنچمارکی که من آن را مقایسه‌ای عادلانه می‌دانم، به نظر می‌رسد که یادگیری تقویتی با اختلاف زیادی از وضعیت فعلی عقب است." "برای چیدمان مدار، من باور ندارم که این یک مسیر تحقیقاتی امیدبخش باشد."

منبع: https://www.nature.com