Elk probleem heeft twee kanten, en de ontwikkeling van kunstmatige intelligentie (AI)-technologie is daarop geen uitzondering. Aan de ene kant zijn mensen enthousiast over de prestaties en bijdragen van AI in alle aspecten van het leven. Maar aan de andere kant zijn veel mensen ‘bang’ voor het vooruitzicht dat AI op veel verschillende gebieden banen van mensen kan overtreffen en ‘stelen’.
Google heeft deze zorg zojuist nog meer gegrond gemaakt toen het een verklaring uitbracht waarin stond dat het AI-systeem dat het bedrijf zelf kan onderzoeken en ontwikkelen nu het vermogen bezit om chips sneller en efficiënter te ontwerpen dan mensen.
Concreet heeft Google Brain – het deep learning- en AI-onderzoeksteam van Google – volgens onderzoeksresultaten gepubliceerd in het wetenschappelijke tijdschrift Nature – de succesvolle ontwikkeling aangekondigd van een nieuw versterkend leersysteem dat een compleet vloerplanningsontwerp door de microprocessor zelf kan uitvoeren. sneller en beter dan een mens.
Met behulp van een complexe neurale netwerkarchitectuur op basis van edge-grafieken kan het AI-model van Google Brain plattegronden ontwerpen in slechts een fractie van de tijd die mensen nodig hebben. De onderstaande afbeelding toont twee ontwerpen voor geheugenmacroblokken. De linker is gemaakt door een mens en de rechter is in slechts een paar uur door AI gemaakt - veel minder dan een mens en het heeft ook een groter aantal macroblokken.

Een plattegrond is in wezen een diagram dat laat zien hoe verschillende functionele blokken binnen een processor zijn gerangschikt om een ontwerp te creëren voor maximale efficiëntie. Hieronder staan twee voorbeeldafbeeldingen van hoe een plattegrond er uit zou moeten zien. Het model aan de linkerkant is eenvoudiger, terwijl het ontwerp aan de rechterkant wat complexer is met meer details.
![De AI van Google kan chips sneller en beter ontwerpen dan mensen De AI van Google kan chips sneller en beter ontwerpen dan mensen]()
Interessant is dat Google van plan is deze technologie te gebruiken om zijn eigen AI-versnellers te bouwen, genaamd Tensor Processing Units (TPU’s). Als ze effectief zijn, zullen ze ook toepasbaar zijn op alle chipproductieprocessen in het algemeen, waarbij ze een grote hoeveelheid tijd kunnen besparen en toch de kwaliteit kunnen garanderen.