رقاقة OpenAI Jalapeño: الذكاء الاصطناعي يحسن الأداء 56%

مقدمة تحليلية

في أواخر أغسطس، أعلنت Architect Labs عن تطوير رقاقة Redwood، مدعية أنها صممت بالكامل تقريباً بواسطة الذكاء الاصطناعي، وهو إنجاز هو الأول من نوعه في الصناعة. هذا الحدث يشير إلى تحول جوهري في عملية تصميم أشباه الموصلات، حيث يتزايد اعتماد الذكاء الاصطناعي في مراحل متعددة، بدءاً من تحسين المخططات الأرضية (floorplans) وتحديد المواقع والتوجيه (placement and routing)، وصولاً إلى التحقق (verification). حالياً، تساعد أنظمة الذكاء الاصطناعي التوليدي المهندسين في كتابة أكواد RTL، بينما تعمل الأنظمة الوكيلة (agentic systems) الناشئة على تشغيل أدوات أتمتة التصميم الإلكتروني (EDA)، وتحليل النتائج، وتحديد المشكلات، وتعديل التصميمات، وتكرار العملية بتقليل التدخل البشري بشكل مستمر. في المقابل، لا يزال المهندسون البشريون يتولون تعريف وتطوير المعماريات واتخاذ قرارات التصميم الأساسية.

هذا التطور يخلق حلقة تغذية راجعة، فمع قيام بائعي EDA وشركات أشباه الموصلات بمنح الذكاء الاصطناعي سيطرة أكبر على أجزاء من عملية التصميم، تنتقل الصناعة تدريجياً من استخدام البشر لأدوات الذكاء الاصطناعي إلى مشاركة أنظمة الذكاء الاصطناعي في تصميم الأجهزة التي ستعمل عليها أنظمة الذكاء الاصطناعي المستقبلية. أظهرت OpenAI نتائج ملموسة مع رقاقة Jalapeño، حيث ساهم الذكاء الاصطناعي في تحسين مضاعف BF16 بنسبة 56%، مؤكداً قدرة التكنولوجيا على تحقيق مكاسب حقيقية.

التحليل التقني

في أوائل عام 2020، وقبل ازدهار الذكاء الاصطناعي التوليدي، طرحت شركات Cadence وSynopsys وSiemens EDA، بالإضافة إلى Ansys (مطورة برمجيات المحاكاة الرائدة)، إصدارات محسنة بالذكاء الاصطناعي من أدواتها. الجيل الأول من برامج EDA المحسنة بالذكاء الاصطناعي استخدم بشكل أساسي التعلم الآلي (ML) والتعلم المعزز (RL) لمعالجة مشكلات التحسين المحددة. هذه الأدوات، عند تزويدها بتصميم قائم ومجموعة من القيود والأهداف، يمكنها استكشاف العديد من خيارات التنفيذ لتحسين الطاقة والأداء والمساحة (PPA) وتقليل وقت التطوير. كانت الميزة الرئيسية لهذه الأدوات هي قدرتها على التعلم من التشغيلات السابقة واستخدام البيانات المتراكمة لتوجيه استكشاف مساحة التصميم اللاحقة، مما قلل من عدد التكرارات المطلوبة لتحقيق أهداف PPA، وفي بعض الحالات، أنتجت نتائج كانت ستتطلب وقتاً هندسياً أكبر بكثير باستخدام الطرق التقليدية.

ومع ذلك، كانت استقلالية هذه الأدوات محدودة، حيث كان المهندسون يحددون القيود، ويُكَوِّنون تدفقات العمل، ويشغلون الأدوات الفردية، ويحللون مخرجاتها، ويقررون الخطوة التالية. لقد عمل الذكاء الاصطناعي على تسريع أو تحسين مراحل معينة من تطوير الرقائق، لكن البشر ظلوا يتحكمون في تدفق التصميم العام.

تطور الذكاء الاصطناعي في تصميم الرقائق

أدوات EDA المحسنة بالذكاء الاصطناعي الأحدث أكثر طموحاً بشكل ملحوظ. يمكن للذكاء الاصطناعي التوليدي كتابة أو تعديل أكواد RTL والتحقق، وتحليل التقارير، وتحديد نقاط الفشل المحتملة، وحتى اقتراح الإصلاحات. في الوقت نفسه، يمكن للأنظمة الوكيلة الناشئة تشغيل أدوات EDA متعددة وتنفيذ تسلسلات من المهام الهندسية بتدخل بشري محدود للغاية. يمكن لمثل هذا الوكيل تحليل النتائج، وتعديل تصميم أو معلماته، وتشغيل محاكاة أخرى أو تنفيذ، وتقييم النتيجة، وتكرار العملية حتى يصل إلى الأهداف المحددة. نتيجة لذلك، ينتقل الذكاء الاصطناعي تدريجياً من تحسين الخطوات الفردية داخل أدوات EDA إلى أتمتة أجزاء من سير عمل تطوير الرقائق نفسها.

في 2023-2024، أعلنت كل من Cadence وSynopsys عن إنجاز مئات التصميمات للرقائق باستخدام أدواتها المحسنة بالذكاء الاصطناعي مثل Cadence.ai وDSO.ai/VSO.ai/TSO.ai. كما كشفت شركات تقنية رائدة عن تفاصيل حول كيفية استخدامها للذكاء الاصطناعي لإتمام مشاريعها:

• Google: كانت من أوائل الشركات التي أعلنت عن استخدام الذكاء الاصطناعي لتطوير مسرعات الذكاء الاصطناعي الخاصة بها. تستخدم AlphaChip من Google التعلم المعزز بشكل أساسي لتخطيط المواضع المادية (physical floorplanning)، حيث تضع كتل الدوائر وتحسن التخطيطات، لكنها لا تخترع التصميم بالكامل أو المعمارية نفسها. ذكرت Google DeepMind في 2024 أن AlphaChip استخدمت للأجيال الثلاثة السابقة من وحدات معالجة التنسور (TPUs).
• Nvidia: أنظمتها الداخلية للذكاء الاصطناعي تميل إلى أتمتة العمل الذي يقوم به مهندسو الأجهزة تقليدياً. تقوم Nvidia بتدريب نماذج متخصصة على أكواد RTL الخاصة بها والوثائق والمعرفة الهندسية المتراكمة الفريدة، مما يجعلها نموذجاً لمصمم رقائق يحول البيانات الهندسية وراء وحدات معالجة الرسوميات ووحدات تسريع الذكاء الاصطناعي ووحدات المعالجة المركزية (CPUs) ووحدات معالجة البيانات (DPUs) وبطاقات الشبكة إلى بيانات تدريب للذكاء الاصطناعي. ومع ذلك، ترسم Nvidia خطاً واضحاً بين الأتمتة والتصميم المستقل للرقائق.
• OpenAI Jalapeño: يمثل أقوى مثال على السيليكون الحقيقي حتى الآن. تقول OpenAI إن الذكاء الاصطناعي شارك مباشرة في التنفيذ واستكشاف مساحة التصميم وحلقات التحقق وتحسين الدوائر الحسابية، مما مكن الشركة من الانتقال من التصميم الأولي إلى التصنيع (tapeout) في تسعة أشهر. في Hot Chips، كشفت OpenAI عن مزايا PPA ملموسة مقارنة بالخطوط الأساسية البشرية:
  • مضاعف BF16: تحسن بنسبة 56%.
  • وحدة ضرب نقطي FP4: تحسن بنسبة 21%.
  • مُجمِّع FP32: تحسن بنسبة 10%.
  • وحدات المصفوفة (matrix units): انخفاض في المساحة بنسبة 10%.
  • وحدات SIMD: انخفاض في المساحة بنسبة 8%.

  لم تذكر OpenAI أن الذكاء الاصطناعي اخترع معمارية Jalapeño، مما يشير إلى بقاء البشر مسؤولين عن هذا الجانب.

السياق وتأثير السوق

تتفاوت درجات تدخل الذكاء الاصطناعي في تطوير الرقائق بشكل كبير بين الشركات الرائدة. تُمثل Google النهج الأقل جذرية، حيث تركز AlphaChip على تحسين التخطيطات المادية لوحدات TPU. من جهتها، تستفيد Nvidia من أنظمة الذكاء الاصطناعي الداخلية لأتمتة مهام الهندسة المعقدة، مستندة إلى بياناتها التصميمية السرية، بينما تحتفظ بفصل واضح بين الأتمتة والتصميم المستقل الكامل. يبرز OpenAI Jalapeño كدليل على قدرة الذكاء الاصطناعي على تحقيق مكاسب ملموسة في PPA، بتقليل وقت التصميم إلى تسعة أشهر وتحسينات تتجاوز 50% في بعض وحدات المعالجة مثل مضاعف BF16. هذه التحسينات تجعل OpenAI منافساً قوياً لإنتاجات Nvidia، مثل GB300، خاصة في تطبيقات الذكاء الاصطناعي التي تعتمد على الكفاءة.

بالمقابل، تقدم Architect Labs رقاقة Redwood التي تدعي أنها الأكثر تقدماً في الاعتماد على الذكاء الاصطناعي. وفقاً لـ Architect Labs، تولى الذكاء الاصطناعي بشكل مستقل توليد المنطق والتحقق منه، وتوليد RTL والتحقق منه، وإنتاج البرامج الثابتة (firmware)، وساعد في تطوير البرمجيات بما في ذلك برامج التشغيل (drivers) والنواة (kernels). تزعم الشركة أن نظامها يمكنه استكشاف المعماريات، على الرغم من عدم تقديم تفاصيل إضافية. تم إنتاج Redwood في أقل من أسبوعين وتشغل نماذج بأكثر من مليار معلمة. هذه السرعة وكفاءة التصميم المزعومة تشكل سابقة مقارنة بالطرق التقليدية التي تستغرق أشهراً أو سنوات. قبل هذا التطور، كانت أدوات EDA تعتمد على المهندسين لتحديد الأهداف والقيود. الآن، ومع الأنظمة الوكيلة، يمكن للذكاء الاصطناعي أن يتولى تسلسلات من المهام الهندسية، مما يقلل الحاجة إلى التدخل البشري المستمر. إذا تم التحقق من ادعاءات Architect Labs، فإن ذلك سيهز السوق، لكن حالياً، تبقى هذه الادعاءات بحاجة إلى إثبات مقابل حلول مثبتة مثل تلك التي تقدمها OpenAI أو Google أو Nvidia.