3月28日 消息:此前，一篇由谷歌主導并發表在《自然》雜志上的研究論文，聲稱機器學習軟件可以比人類更快地設計出更好的芯片，不過在一項新的研究對其結果提出質疑后，該論文受到了質疑。

2021年6月，谷歌因開發基于強化學習的系統受到很大的關注，該系統能夠自動生成優化的微芯片平面圖。這些計劃決定了芯片內電子電路塊的排列:CPU和GPU內核、內存和外圍控制器等實際上位于物理硅芯片上。

谷歌表示，它正在使用這款人工智能軟件設計其自主研發的TPU芯片，以加速人工智能工作負載:其正在利用機器學習使其其他機器學習系統運行得更快。這項研究得到了電子設計自動化社區的關注，他們已經開始將機器學習算法整合到他們的軟件套件中。

如今，谷歌聲稱的比人類更好的模型受到了加州大學圣地亞哥分校（UCSD）的一個團隊的挑戰。在計算機科學與工程教授安德魯·康格(Andrew kang)的帶領下，該團隊花了幾個月的時間對谷歌之前的論文進行了驗證。這所大學的學者最終發現，他們自己創造的原始谷歌代碼進行電路訓練(CT)，結果實際上比使用傳統工業方法和工具的人類表現得更差。

是什么導致了這種差異?UCSD團隊了解到谷歌使用了由電子設計自動化（EDA）套件的主要制造商Synopsys開發的商業軟件，創建了芯片邏輯門的啟動安排，然后其強化學習系統進行優化。谷歌論文確實提到，在模型生成布局后，使用了行業標準的軟件工具和手動調整，主要是為了確保處理器能按預期工作，并最終完成制造。谷歌人認為，無論平面圖是由機器學習算法創建的，還是由人類使用標準工具創建的，這都是必要的一步，因此其模型值得稱贊，因為優化了最終產品。

然而，加州大學圣地亞哥分校的團隊表示，谷歌論文中并沒有提到預先使用EDA工具來為模型迭代準備布局。

對此，谷歌論文的主要作者Azalia Mirhoseini和Anna Goldie反駁表示，UCSD團隊的工作并不是他們方法的準確實現。他們指出，康格教授的團隊得到的結果更差，因為他們根本沒有在任何數據上預先訓練他們的模型。康格教授的團隊也沒有使用與谷歌相同的計算能力來訓練他們的系統，并表示這一步驟可能沒有正確執行，從而削弱了模型的性能。

然而，加州大學圣地亞哥分校的研究小組表示，他們沒有預先訓練他們的模型，因為他們無法訪問谷歌的專有數據。然而，他們聲稱，他們的軟件已經得到了這家互聯網巨頭的另外兩名工程師的驗證，這兩名工程師也是《自然》雜志論文的共同作者。

另外，一位被解雇的谷歌人工智能研究人員聲稱，這家互聯網巨頭的研究論文是在當時價值1.2億美元的“一筆潛在的大型云交易”的背景下完成的。