ChatGPT強(qiáng)勢加入芯片設(shè)計！

來源：量子位

和ChatGPT聊聊天，就可解決CPU開發(fā)過程中的一大難題？

紐約州立大學(xué)（NYU）研究人員完成了一件看似不可能的事情：

無需專業(yè)的硬件描述語言（HDL），僅靠說人話就能設(shè)計芯片！

在ChatGPT的幫助下，他們不僅設(shè)計出CPU上的一個組件，甚至還通過了有效性驗證環(huán)節(jié)。

這個組件主要負(fù)責(zé)創(chuàng)造出一種基于八位累加器的微處理器架構(gòu)的邏輯。而累加器本質(zhì)上是寄存器（存儲器），是專門存放算術(shù)或邏輯運算的一個操作數(shù)和存儲運算結(jié)果的。而這是CPU運作中不可或缺的一部分。

所以，還有什么是大語言模型不能做的？

有網(wǎng)友表示：

芯片設(shè)計的部分流程實現(xiàn)自動化無疑是個好消息。

也有網(wǎng)友表現(xiàn)出對在芯片設(shè)計中使用AI編寫HDL的擔(dān)憂：

通常，設(shè)計和制造芯片的過程中會經(jīng)歷幾個階段。

其中一個階段是用硬件描述語言（HDL）（例如Verilog）描述芯片內(nèi)不同部件的實際幾何形狀、密度和整體布局。

在此前，作為一個極其專業(yè)化和復(fù)雜的領(lǐng)域，HDL編寫一直是一項相對罕見且非常難以掌握的工作。

研究團(tuán)隊成員之一、也是研究助理教授的Hammond Pearce博士更是認(rèn)為：

硬件描述語言的最大挑戰(zhàn)就是沒有多少人知道如何編寫它們，很難成為這方面的專家。

這也就意味著，即使是最好的工程師也還是經(jīng)常需要用這種語言做一些瑣碎的事情。

而ChatGPT作為一種模式識別器，可以在各種類型的語言中轉(zhuǎn)換自如，這就可以幫助工程師們跳過HDL階段。

在這項研究中，研究人員分別使用LLM對八個具有代表性的硬件設(shè)計示例進(jìn)行了研究。工程師與LLM之間實時來回交互，將純英文文本逐步轉(zhuǎn)化為Verilog（HDL）的等效代碼。

其中一位硬件工程師與LLMs共同設(shè)計了一種新穎的基于八位累加器的微處理器體系結(jié)構(gòu)。他們將這些基準(zhǔn)測試和處理器發(fā)送到Skywater 130納米Shuttle進(jìn)行流片（tapeout）。

這個過程中，研究人員評估了ChatGPT-4、ChatGPT-3.5、Bard、HuggingChat四個不同LLM創(chuàng)建硬件設(shè)計的Verilog能力：

此外，研究人員還針對8位移位寄存器進(jìn)行了基準(zhǔn)測試。告訴大模型正在嘗試為一個「測試名稱」創(chuàng)建一個Verilog模型。然后提供規(guī)范說明，定義輸入和輸出端口以及其他所需的具體信息。最后詢問他該如何編寫一個滿足這些規(guī)范的設(shè)計。

下面是不同大模型給出的設(shè)計方案：

如上圖所示，雖然ChatGPT都能夠滿足規(guī)格要求并開始進(jìn)行設(shè)計流程，但Bard和HuggingChat都未能滿足規(guī)格要求的初始標(biāo)準(zhǔn)。

研究人員又基于Bard和HuggingChat的初始提示，讓它們重新生成了五次回答，但兩者還是都失敗了。Bard一直無法滿足給定的設(shè)計規(guī)格要求，而HuggingChat的Verilog輸出在模塊定義之后就不符合語法規(guī)范。

鑒于Bard和HuggingChat在初始的挑戰(zhàn)基準(zhǔn)測試中表現(xiàn)不佳，研究人員決定后續(xù)完整測試僅對ChatGPT-4和ChatGPT-3.5進(jìn)行。

與此同時，順便讓大模型進(jìn)行了Testbench（測試臺）的設(shè)計：

你能為這個設(shè)計編寫一個Verilog測試臺嗎？測試臺應(yīng)該具備自檢功能，并且能夠與iverilog一起用于仿真和驗證。如果測試用例失敗，測試臺應(yīng)該能夠提供足夠的信息，以便找到并解決錯誤。

最終結(jié)果表明ChatGPT-4的表現(xiàn)較為出色。大多數(shù)基準(zhǔn)測試都通過了，并且大部分只需要工具反饋即可。

與創(chuàng)建可運行設(shè)計相比，ChatGPT-4在創(chuàng)建可運行的測試臺上遇到了更多困難，往往還是需要人類的反饋意見。

而與ChatGPT-4相比，ChatGPT-3.5的表現(xiàn)明顯較差，大多數(shù)基準(zhǔn)測試都失敗了，而那些通過測試臺的對話大多數(shù)也不符合規(guī)范。與ChatGPT-4相比，ChatGPT-3.5每次對話和基準(zhǔn)測試之間會出現(xiàn)各種各樣的問題，在設(shè)計和測試臺方面需要更頻繁地進(jìn)行修正。

隨著大語言模型（LLM）的繼續(xù)發(fā)展，未來從構(gòu)想到功能設(shè)計，LLM或許都可以輕松實現(xiàn)。

研究人員認(rèn)為：

盡管我們強(qiáng)調(diào)了模型的單步性能（即一步完成設(shè)計），但對于硬件應(yīng)用來說，讓它們以“共同設(shè)計師”的身份加入，可能會表現(xiàn)得更好。

當(dāng)與經(jīng)驗豐富的工程師協(xié)同工作時，它們可以成為一種“力量倍增器”。工程師可以根據(jù)模型提供的“初版設(shè)計方案”，進(jìn)行微調(diào)和快速迭代。

Hammond Pearce博士說道：

這項研究成果是我們認(rèn)為首次完全由人工智能生成的硬件描述語言（HDL）轉(zhuǎn)化為物理芯片的案例。

一些人工智能模型，比如OpenAI的ChatGPT和谷歌的Bard，可以生成不同編程語言的軟件代碼，但它們在硬件設(shè)計領(lǐng)域的應(yīng)用尚未被廣泛研究。

而這項研究表明，人工智能在硬件制造方面也具有潛力，尤其是在對話式應(yīng)用中，通過反復(fù)交流可以完善設(shè)計。

并且，這樣一來HDL編寫過程中人為引起的錯誤就會減少，從而可縮短設(shè)計時間和上市時間，也可允許更多創(chuàng)造性的設(shè)計。

不知一些HDL工程專家聽到這里是否會略感緊張。

研究人員認(rèn)為如果這個過程能夠?qū)崿F(xiàn)自動化，不僅可以加快現(xiàn)在的工作速度，還可以減輕人為瓶頸。

但是，完全依靠類似于ChatGPT這種大模型或者依賴電力運行的軟件機(jī)器也存在一定的風(fēng)險。用于芯片設(shè)計的LLM在訓(xùn)練階段也存在難解的黑盒子等一系列問題。

對此，你有什么看法？

參考鏈接：
[1]https://arxiv.org/abs/2305.13243（論文鏈接）
[2]https://www.tomshardware.com/news/conversation-with-chatgpt-was-enough-to-develop-part-of-a-cpu