本周，谷歌发布了其AlphaChip强化学习芯片布局设计技术。AlphaChip AI承诺将显著加快芯片布局设计，并使其在性能、功耗和面积方面更加优化。该强化学习方法现在已经向公众公开，对设计谷歌的Tensor Processing Units (TPUs)至关重要，并被包括MediaTek在内的其他公司采用。

芯片设计布局或平面图一直是芯片开发中最长和最劳动密集的阶段。近年来，Synopsys开发了AI辅助的芯片设计工具，可以加速开发并优化芯片的平面图。然而，这些工具相当昂贵。谷歌希望使这种AI辅助的芯片设计方法在一定程度上民主化。

如今，如果由人类完成，复杂芯片（如GPU）的平面图设计需要大约24个月。较简单的平面图设计可能需要几个月，这意味着数百万美元的成本，因为设计团队通常相当庞大。谷歌表示，AlphaChip可以加速这一时间表，只需几个小时就能创建芯片布局。此外，据说其设计更优，因为它们优化了能效和性能。谷歌还展示了一张图表，显示了与人类开发者相比，TPU和Trillium各个版本之间的线长减少。

AlphaChip使用一种强化学习模型，其中代理在预置环境中采取行动，观察结果，并从这些经验中学习，以便在将来做出更好的选择。在AlphaChip的情况下，系统将芯片平面图视为一种游戏，每次将一个电路组件放置在空白网格上。随着解决更多布局，系统会不断改进，使用图神经网络来理解组件之间的关系。

自2020年以来，AlphaChip已被用于设计谷歌自己的TPU AI加速器，这些处理器为谷歌的大规模AI模型和云服务提供动力。这些处理器运行基于Transformer的模型，为谷歌的Gemini和Imagen提供动力。AlphaChip改进了每一代TPU的设计，包括最新的第6代Trillium芯片，确保了更高的性能和更快的开发。然而，谷歌和MediaTek仍然依赖于AlphaChip进行有限的一系列块，而人类开发者仍然完成大部分工作。

到目前为止，AlphaChip已被用于开发各种处理器，包括谷歌的TPU和MediaTek的Dimensity 5G系统芯片，这些芯片被广泛应用于各种智能手机。因此，AlphaChip能够跨不同类型的处理器进行泛化。谷歌表示，它已在广泛的芯片块上进行了预训练，这使得AlphaChip在实践更多设计时能够生成越来越高效的布局。虽然人类专家在学习和快速学习，但机器的学习速度要高得多。

谷歌表示，AlphaChip的成功激发了对使用AI进行不同阶段芯片设计的新一轮研究。这包括将AI技术扩展到逻辑综合、宏选择和时序优化等领域，这些领域Synopsys和Cadence已经提供，尽管成本很高。根据谷歌的说法，研究人员还在探索如何将AlphaChip的方法应用于芯片开发的更远阶段。

展望未来，谷歌认为AlphaChip有可能彻底改变整个芯片设计生命周期：从架构设计到布局再到制造，AI驱动的优化可能导致芯片更快、更小（即更便宜）和更节能。虽然目前谷歌的服务器和MediaTek基于Dimensity 5G的智能手机受益于AlphaChip，但应用范围可能在未来扩展到几乎一切。

AlphaChip的未来版本正在开发中，因此请继续关注更多AI驱动的芯片设计。