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?？蹈窠淌诘膱F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。