Google dice que su IA diseña chips mejor que los humanos: los expertos no están de acuerdo

Google DeepMind dice que su inteligencia artificial ha ayudado a diseñar chips que ya se utilizan en centros de datos e incluso en teléfonos inteligentes. Pero algunos expertos en diseño de chips se muestran escépticos ante las afirmaciones de la compañía de que dicha IA puede planificar nuevos diseños de chips mejor que los humanos.

El nuevo método AlphaChip puede diseñar “diseños de chips sobrehumanos” en horas, en lugar de depender de semanas o meses de esfuerzo humano, dijeron Anna Goldie y Azalia Mirhoseini, investigadoras de Google DeepMind, en una publicación de blog. Este enfoque de IA utiliza el aprendizaje por refuerzo para descubrir las relaciones entre los componentes del chip y obtiene recompensas en función de la calidad del diseño final. Pero investigadores independientes dicen que la compañía aún no ha demostrado que dicha IA pueda superar a los diseñadores de chips humanos expertos o a las herramientas de software comerciales, y quieren ver el desempeño de AlphaChip en puntos de referencia públicos que involucren diseños de circuitos actuales y de última generación.

“Si Google proporcionara resultados experimentales para estos diseños, podríamos hacer comparaciones justas y espero que todos aceptaran los resultados”, dice Patrick Madden de la Universidad de Binghamton en Nueva York. “Los experimentos tardarían como máximo uno o dos días en ejecutarse, y Google tiene recursos casi infinitos; el hecho de que estos resultados no se hayan ofrecido me dice mucho”. Google DeepMind se negó a ofrecer comentarios adicionales.

La publicación del blog de Google DeepMind acompaña a una actualización de Google 2021 Naturaleza artículo de revista sobre el proceso de IA de la empresa. Desde entonces, Google DeepMind dice que AlphaChip ha ayudado a diseñar tres generaciones de Unidades de Procesamiento Tensor (TPU) de Google: chips especializados utilizados para entrenar y ejecutar modelos generativos de IA para servicios como el chatbot Gemini de Google.

La compañía también afirma que los diseños de chips asistidos por IA funcionan mejor que los diseñados por expertos humanos y han mejorado constantemente. La IA logra esto reduciendo la longitud total de los cables necesarios para conectar los componentes del chip, un factor que puede reducir el consumo de energía del chip y potencialmente mejorar la velocidad de procesamiento. Y Google DeepMind dice que AlphaChip ha creado diseños para chips de uso general utilizados en los centros de datos de Google, además de ayudar a la empresa MediaTek a desarrollar un chip utilizado en los teléfonos móviles Samsung.

Pero el código publicado públicamente por Google carece de soporte para los formatos de datos de chips comunes de la industria, lo que sugiere que el método de IA es actualmente más adecuado para los chips patentados de Google, dice Igor Markov, un investigador de diseño de chips. “Realmente no sabemos qué es AlphaChip hoy en día, qué hace y qué no hace”, afirma. “Sabemos que el aprendizaje por refuerzo requiere de dos a tres órdenes de magnitud más recursos informáticos que los métodos utilizados en herramientas comerciales y, por lo general, está por detrás (en términos de) resultados”.

Markov y Madden criticaron las controvertidas afirmaciones del artículo original acerca de que AlphaChip superaba a los expertos humanos anónimos. “Las comparaciones con diseñadores humanos anónimos son subjetivas, no reproducibles y muy fáciles de jugar. Los diseñadores humanos pueden estar esforzándose poco o estar poco cualificados; aquí no hay ningún resultado científico”, afirma Markov. “Imagínese si AlphaGo informara victorias sobre jugadores de Go anónimos”.

En 2023, un experto independiente que había revisado el artículo de Google se retractó de su Naturaleza artículo de comentario que originalmente había elogiado el trabajo de Google. Ese experto, Andrew Kahng de la Universidad de California en San Diego, también llevó a cabo un esfuerzo público de evaluación comparativa que intentó replicar el método de inteligencia artificial de Google y descubrió que no superaba consistentemente a un experto humano ni a los algoritmos informáticos convencionales. Los métodos con mejor rendimiento fueron el software comercial para el diseño de chips de empresas como Cadence y NVIDIA.

“En todos los puntos de referencia en los que existe lo que yo consideraría una comparación justa, parece que el aprendizaje por refuerzo va por detrás del estado del arte por un amplio margen”, dice Madden. “Para la colocación de circuitos, no creo que sea una dirección de investigación prometedora”.