去年 12 月中，知名的人工智能科學家吳恩達在博客上宣布了一家自己最新成立的公司 Landing.ai，對于成立這家公司，吳恩達的目標是：“幫助企業在 AI 時代實現轉型，首先切入的就是制造業”。而在如此宏大的目標下，吳恩達的 Landing.ai，宣布的第一家合作伙伴不是別人，正是鴻海。
如今的鴻海已然不再是當年生產代工 iPhone 后迅速壯大的那個制造業巨人，從零組件到整機，從產品研發生產、品牌銷售、應用服務，不論是供應鏈或價值鏈，鴻海無所不在。而接下來，鴻海還將會在集團中每一個產業環節植入深化的要素，目前看起來沒有別的，就是 AI。
圖丨郭臺銘和吳恩達
AI 的跨產業、跨領域通用性，將可以讓已然建立起 AI 能力的公司，有機會快速復制 AI 能力到其布局的其它領域中。以鴻海來看，雖然現在觸及云端、移動設備、物聯網、大數據、智能生活、互聯網等領域，已經幾乎是無所不包，但其中有一塊領域，是鴻海迄今還沒有拼上的拼圖，那就是半導體領域。
早在兩年前，就曾經傳出鴻海有意仿效華為、海思模式，打造從半導體到終端成品的模式，而 2016 年底，也曾傳出鴻海與 ARM 將合作設立研發中心的消息，只不過到目前為止，相對于在其它領域的大軍壓境，之于半導體領域，鴻海一直都還沒有太大的成效。
但這并不代表郭臺銘對半導體沒有興趣，早在 2016 年底就曾有媒體報道，郭臺銘曾在內部告訴主管，在半導體領域，除了晶圓代工，鴻海什么都可以做，而且要做的非常好，“要讓 Morris（臺積電董事長張忠謀）主動來找我們！”
這句話透露的是郭臺銘對半導體產業的重視，也透露了他對鴻海半導體布局發展不是沒有想法，而只是在等待一個時間。事隔兩年，在 AI 發展如火如荼的現在，這或許就是郭臺銘等待的機會到來。
另外，從半導體到設備，中間必須有一層軟件作為核心，不論是操作接口，或者是提供多樣化的智能服務，軟件的存在可說有如大腦，就有如半導體之于心臟，利用心臟驅動肉體，也就是智能設備，如果沒有大腦還是沒有辦法進行有意義的活動。
也因此，鴻海若進軍半導體產業，對軟件的需求也會同步增加，鴻海之前曾插手過軟件產業，雖然成效有限，但對其在后端的基礎服務建構方面的實力還是有很大的幫助，若鴻海想要走華為、海思模式，軟件這塊勢必要補齊，而且不只是后端服務，前端應用也必須兼顧，并且相當程度的 AI 化，如此就可和吳恩達的合作一脈相承，建構出高度自動化的產業鏈帝國。
對包括鴻海在內的許多公司而言，如果說半導體會是將來新興技術應用發展的基礎，那么 AI 的快速發展，已然提供了一個絕佳的切入機會。由 AI 自行設計軟件以及 IC 產品離我們已經不遠了，如果全面實現，對現有的軟件與 IC 產業將會帶來巨大的變革。
值得注意的是，目前已有多家技術研究單位如 Open AI、麻省理工學院、加州大學、 DeepMind 開始研究可設計機器學習人工智能，而由 Google Brain 人工智能設計出來的人工智能，表現甚至比由人類設計的更好。
另一方面，IC 設計的自動化部分也越來越高，各種主流電子設計自動化 (Electronic Design Automation，EDA) 軟件，包含Synopsys、Cadence、Mentor 都已經做到部分 IC 設計布局自動化的地步，只要點選幾個選項，基本邏輯布局和光罩設計就可自動產生，這些包括了合成（Synthesis）、擺置（Placement）與繞線（Routing）、驗證（Verification）等流程，人類需要參與的部分也越來越少。
然而現有的 EDA 雖然能夠建立基礎布局，但還不具備真正的機器學習能力，無法跟著 IC 設計公司的經驗積累改善設計方向。而隨著機器學習的進展，新形態的 EDA 設計邏輯也因應而生，Solido 是全球首家以機器學習算法為基礎的 EDA 軟件供應商，當然，不只是新創 EDA 公司，傳統的 EDA 龍頭也都開始思考，或實際利用機器學習來改善 EDA 的設計效率。
從輔助自動化到 AI 主導設計
前面所提到的所有工作，包含駕駛、說話、下棋，甚至設計軟件或 IC，其實都是可邏輯化的經驗累積，換言之，都是能夠通過大量的數據訓練來形成特定的應用模型，只要數據夠多，模型也就越完整，邏輯也就越不容易有破綻。
設計軟件或 IC 過去都極端倚賴人類專家才能進行，但這些人類專家的訓練曠日廢時，且最終形成的成果也未必都能展現出絕佳的效果，畢竟人類有個體資質的差別，就好像你無法期待每個科學家都是愛因斯坦，也無法期待每個手機公司老板都是喬布斯，但通過機器學習，你可以讓每個經過類似設計模型/流程的 AI 設計軟件/芯片，都能擁有相當高的一致性。
通過訓練，AI 可以尋找出達到設計目的的最好路徑，這在軟件或 IC 設計中，都可以擁有通用的邏輯，那么關鍵問題就是，借助學習找出的路徑是否能夠全面取代傳統人類工作模式里面的 Know-how，未來人類真的在軟件設計或 IC 設計領域都將轉由 AI 代勞？DT 君認為，可能還要一段時間，但長久來看應該是避免不了的趨勢。
那么 AI 要怎么做到自主設計？
以前陣子 Google 用來創造新 AI 模型的 AutoML 為例，該 AI 就是以遞歸神經網絡（RNN）生成神經網絡的描述，然后利用強化學習對該 RNN 進行訓練。其方法可以讓 AI 從零開始設計出一個全新的神經網絡架構。
圖丨谷歌AutoMl
AutoML 是一套用來產生新的 AI 算法的 AI 算法，其最初目的是為了解決因為 AI 設計人才匱乏的窘況，而提出來的解決方案。
一般情況下，進行機器學習首先需要大量的訓練數據，再由機器學習工程師/數據科學家對數據進行分析，設計算法形成訓練模型；這需要大量的專業知識。但如果使用 AutoML，只需要將訓練數據集傳入 AutoML，那么這個工具就會自動幫我們生成參數和模型，形成訓練模型，這樣即使不具備機器學習方面深入的專業知識也可以進行機器學習方面的工作。
過去人類專家之所以重要，在于人類專家可以憑借經驗和知識來判斷什么情況下該用什么模型，但借助 AutoML，理論上能改變過去在預處理數據、算法模型、參數。以及評估模型質量方面，都必須要由人類主導的作法，而是由 AI 自行選擇算法模型、算法參數，并且自動評估模型的質量，借以在人類最小干預的前提下，達到最優化的模型建立結果。
不過目前 AutoML 還沒有辦法完全自主，比如說基礎算法選擇還是要由人類來判斷，但也已經能夠大大減少傳統神經網絡模型建立過程中，需要進行的繁雜調試工作。Google 未來會借助更完整的預處理邏輯判斷來取代人類專家，提高 AutoML 的自動程度，而最終目標將會是是完全的自主化。#p#分頁標題#e#
目前 AutoML 自行產生的模型已經可以得到比由人類所設計模型達到更好的效果：在圖像識別任務中，實現了創紀錄的 82% 的準確率。而在某些復雜的 AI 任務中，其自行建立的代碼也被證實比人類程序員優越。它可以在圖像中標記多個點，準確率達到 42%；作為對比，人類打造的軟件只有 39%。
機器學習與深度學習讓 EDA 工具更聰明
軟件方面我們看到有 AutoML 這樣的工具出現，并且得出極為驚人的結果，在 IC 設計方面主流的 EDA 大廠也都在探索如何通過機器學習或深度學習來改善 IC 設計的流程，借以達到更高效率，或者是更大規模的 IC 布局。
其實 IC 的設計邏輯和設計軟件有著異曲同工之妙，IC 和軟件都是設計來解決問題，而這些問題通常都是可以用數學來進行描述的對象，只要通過合理的算法來找出解題的邏輯，那么問題也就能迎刃而解。
在半導體產業，利用機器學習來解決 IC 復雜設計與開發流程問題，借以提高設計和生產效率，以及 IC 的準確性，就成為目前的主要發展方向。
舉例來說，機器學習實現先進電子研究中心 (Center for Advanced Electronics through Machine Learning，CAEML) 就是一家通過創建機器學習算法來推導用于 EDA 的自動化模型的國家級研究機構，其用于電子設計的 AI 項目已經獲得了美國國家科學基金會 (NSF) 和 9 家公司的大力支持，這 9 家公司包括亞德諾 (ADI)、Cadence、思科 (Cisco)、惠普企業 (HPE)、IBM、NVIDIA、高通 (Qualcomm)、三星 (Samsung) 和賽靈思 (Xilinx)。
IC 設計由于規模的不斷增加，目前在主要的布局、基礎電路設計方面，很多都已經是由計算機代勞，人類主要負責的是核心邏輯的部分，以及最后成果的調試。前段時間，蘋果的 AX 處理 IC 曾被揭露很大程度使用人工布局，而非計算機自動設計，雖借此讓 IC 計算效率得以遠高于其它自動化設計程度較高的 IC 競爭對手，但這只是特例，因為人力有其極限，多數 IC 設計公司一年不會只設計一款 IC，通常手上會有幾個案子需要同時關注，因此無法將全部的人力都投入在某一款產品的研發中。
隨著機器學習在 EDA 領域的逐漸普及，計算機自動處理的 IC 布局將更能滿足開發者的需求，不論是在效率的提升，或者是漏電的改善，甚至最重要的，節省驗證時間以及驗證過程所需要的人力，讓開發者可以投入更多人力在新產品的發展上。
AI 針對軟件和 IC 設計的不同處理邏輯
然而開發軟件可以通過對邏輯本身的不斷論證和驗算，來求出更有效率的解，或者使用更龐大的數據庫來訓練，增加模型可靠性。IC 設計過程會受限于 IC 的類型以及要解決的問題類型，不同應用的 IC 可能布局就完全不同，甚至同一應用，但以不同終端為設計目標的 IC，也需要不一樣的設計流程。
所以機器學習在 IC 設計上需要更多的訓練，而這些訓練是集中在 IC 的設計方法上，要考慮到發熱均衡、電子信號流動距離、工藝庫、金屬層、工具鏈等，由于要同時考慮半導體材料的物理問題，情況要更復雜。最核心部分的邏輯處理方面，就類似 AI 程序中的模型，必須依照求解問題的類型來決定使用何種邏輯，比如說面對繪圖處理或是大量的平行計算需求，我們會選擇 GPU，一般通用計算則是使用 CPU，若是神經網絡模型的處理和加速，則是采用 NPU 結構。
目前在 IC 設計的訓練需求方面，由于牽扯到各家 IC 設計公司的機密技術，很難從公開管道獲得學習的方法，也就是說，未來 AI 化 IC 設計在機器學習所需要的數據來源，可能僅能限定于自家設計的方案，導致參考性有限，未來較難做到完全的自主。而雖然代工廠可以獲得大量的 IC 設計關鍵數據，但為了保護客戶設計，即便是 EDA 公司也很難從這些管道得到大數據。
市場競爭的激烈導致 IC 設計公司不愿透露數據給 EDA 公司作為建立模型使用，畢竟當 EDA 工具自動化程度越高，能做到的項目越多，對 IC 設計業者而言，雖可能帶來更大的便利，但同時也可能會引進更多的競爭者，而這就是目前 EDA 工具要 AI 化的兩難之處。
未來機器自主設計的軟硬件比重將明顯增加，人類地位岌岌可危？
除了 Google 以外，也有越來越多廠商正在發展類似 AutoML 之類的自動化 AI 工具，比如說由英特爾實驗室的 AI Programmer、微軟的 DeepCoder；EDA 工具廠商也都在想辦法解決大數據共享與取得問題。未來我們要建立自己的 AI 模型，可能根本不需要學習如何編程，而是只要選擇正確的工具，并輸入正確的數據集，工具就能自動建立好模型。而 IC 設計業者花費在 IC 布局與驗證的時間也可望借助高度 AI 化的 EDA 工具而大幅減少，開發人員可以專注于核心的邏輯算法結構部分。
而這代表 AI 會大幅取代目前的人工方式？答案已經很明顯了。
就好像一般客服或者是重復性文書處理工作，未來肯定會被大幅取代，如果在軟件公司中負責的工作只是簡單的接口設計，或是一般程序設計或建模工作者，那可能不久之后也要擔心飯碗問題，不過核心算法或設計者短時間內還是很難被 AI 取代，暫時還可以高枕無憂。
IC 設計方面也是類似的情況，基礎的調試工作，或者是 IC 內部的基本布局設計工作可能會被 AI 大量取代，但是關鍵的主要架構部分，比如說 NVIDIA GPU 中的 CUDA 單元，X86 CPU 之中的譯碼與分支預測結構，這些短時間之后都不是 AI 能夠自主的設計。
當然，這也代表，未來不論在軟件或者是 IC 設計中，實際需要的開發人員將可能大幅降低，并走精兵政策；晶圓代工廠中的機臺調試人員大概也都會被 AI 取代，畢竟調試工作沒有比 AI 更能刻苦耐勞和細心的了，晶圓代工廠中需要的人類員工，大概就剩下精通材料及工藝發展的少數高端核心人才。
從另一個角度來，AI 自主設計開發 IC 與軟件的技術所帶來的變革，主是對既有半導體產業帶來新的變化，也可能進一步改變傳統價值鏈的分工體系，不論是華為海思形態的發展模式，又或者如鴻海大范圍覆蓋多個領域的戰略布局，AI 將會許多企業開啟新的戰略思考方向，不論是垂直形態的橫跨上下游發展，又或者是水平形態的跨產業領域全面植入 AI 能力，由 AI 帶來的革命性變化效力之大，將不容小覷。
關注我們
公眾號：china_tp
微信名稱：亞威資訊
顯示行業頂級新媒體
掃一掃即可關注我們
