مهر
اخبار
OpenAI و سینوپسیس از GPT-Synopsys رونمایی کردند: آغاز عصر طراحی خودکار تراشه
شرکت OpenAI و سینوپسیس از مدل تخصصی GPT-Synopsys رونمایی کردند؛ عامل هوشمندی که برای نخستین بار ابزارهای پیچیده‌ی طراحی تراشه را مستقیماً اجرا می‌کند.
لیست مطالب
۱. شراکتی که صنعت تراشه را هدف گرفته است
شرکت OpenAI طی سال‌های گذشته بیشتر با نام ChatGPT و مدل‌های زبانی شناخته می‌شد، اما این بار وارد حوزه‌ای کاملاً متفاوت شده است: طراحی فیزیکی تراشه‌های نیمه‌هادی. بر اساس بیانیه‌ی مشترک دو شرکت، این همکاری یک قرارداد چندساله با سازوکار تقسیم درآمد و برنامه‌ی مشترک بازاریابی است، نه صرفاً یک آزمایش کوچک. اگر پیش‌زمینه‌ی این شرکت برایتان جالب است، در صفحه‌ی OpenAI چیست؟ می‌توانید با مسیر رشد آن بیشتر آشنا شوید.
طرف دیگر این شراکت، سینوپسیس است؛ شرکتی که شاید نامش برای عموم کاربران هوش مصنوعی ناشناخته باشد، اما عملاً هیچ تراشه‌ی مدرنی بدون ابزارهای آن طراحی نمی‌شود. از پردازنده‌های موبایل تا شتاب‌دهنده‌های هوش مصنوعی مراکز داده، بخش بزرگی از زنجیره‌ی طراحی آن‌ها از نرم‌افزارهای این شرکت عبور می‌کند.
به بیان دیگر، اگر OpenAI را «مغز» این شراکت در نظر بگیریم، سینوپسیس همان «دست‌هایی» است که سال‌هاست با جزئیات فنی طراحی تراشه کار می‌کند. ترکیب این دو توانایی، چیزی است که تا امروز در هیچ محصول تجاری دیگری به این شکل دیده نشده بود؛ جایی که یک مدل زبانی بزرگ، نه فقط متن تولید می‌کند، بلکه مستقیماً درون نرم‌افزارهای صنعتی حساس یک حوزه‌ی مهندسی تخصصی فعالیت می‌کند.
۲. GPT-Synopsys دقیقاً چیست؟
در قلب این همکاری، مدلی به نام GPT-Synopsys قرار دارد که ترکیبی از قابلیت‌های هوش مصنوعی مرزی OpenAI و دانش تخصصی سینوپسیس در حوزه‌ی اتوماسیون طراحی الکترونیکی (EDA) است. برخلاف ابزارهای قبلی که صرفاً پیشنهاد یا کدنمونه تولید می‌کردند، این مدل به‌شکل یک عامل مستقل عمل می‌کند؛ یعنی می‌تواند مستقیماً نرم‌افزارهای طراحی و تایید تراشه را اجرا کند.
از اتوماسیون ساده تا عامل خودکار
تفاوت اصلی این سیستم با نسل قبلی ابزارهای کمک‌طراح، در میزان خودمختاری آن است. مهندس تنها اهداف کلی را مشخص می‌کند؛ مثلاً سطح مطلوب توان مصرفی، سرعت عملکرد، مساحت تراشه یا پوشش تایید. سپس GPT-Synopsys وارد یک چرخه‌ی تکراری می‌شود: اجرای ابزار، تحلیل خروجی، اصلاح طراحی و تکرار همین مسیر تا رسیدن به نتیجه‌ای که آماده‌ی بازبینی انسانی باشد.
۳. این عامل هوشمند در عمل چه کاری انجام می‌دهد؟
به‌طور خلاصه، این مدل سه کار اصلی را بر عهده می‌گیرد: نخست، استدلال درباره‌ی طراحی و تایید تراشه؛ دوم، اجرای مستقیم ابزارهای سینوپسیس و خواندن خروجی فنی آن‌ها؛ و سوم، اعمال تغییرات لازم در طراحی برای رسیدن به تعادل بهتر میان توان، کارایی و مساحت، که در صنعت تراشه معمولاً با عبارت PPA شناخته می‌شود. این چرخه تا زمانی تکرار می‌شود که طراحی به نتیجه‌ای برسد که از نظر فنی قابل‌دفاع و آماده‌ی بررسی نهایی باشد.
نکته‌ی مهم این‌جاست که این فرآیند صرفاً یک تولید متن یا کد نیست؛ بلکه تعامل واقعی و چندمرحله‌ای با نرم‌افزارهای صنعتی پیچیده‌ای است که تا امروز تنها در اختیار مهندسان باتجربه قرار داشت.
۴. ادغام با Synopsys Autopilot و زیرساخت OpenAI
از نظر فنی، GPT-Synopsys روی زیرساخت میزبانی‌شده‌ی OpenAI اجرا می‌شود و با پلتفرم عامل‌محور Synopsys به نام Autopilot یکپارچه است. این یکپارچگی به این معناست که مدل تازه، به‌جای جایگزین‌کردن ابزارهای موجود، درون همان اکوسیستمی قرار می‌گیرد که مهندسان تراشه هم‌اکنون با آن کار می‌کنند. همچنین این سیستم با عامل‌های هوش مصنوعی دیگری که مشتریان سازمانی از قبل در اختیار دارند نیز سازگار طراحی شده است.
۵. اعداد و شواهد میدانی: Autopilot قبلاً چه کرده است؟
سینوپسیس پیش از این هم آمار قابل‌توجهی از عملکرد پلتفرم Autopilot منتشر کرده بود: تا ۵۰ برابر سریع‌تر شدن فرآیند بسته‌شدن تایید طراحی، حدود ۲۰ درصد افزایش پوشش تایید و نزدیک به ۳۰ درصد بهبود بهره‌وری تیم‌های طراحی. این ارقام نشان می‌دهد که حتی پیش از ورود یک مدل زبانی تخصصی، اتوماسیون عامل‌محور توانسته بود بخش قابل‌توجهی از زمان طراحی را کوتاه کند؛ و حالا انتظار می‌رود GPT-Synopsys این روند را باز هم تقویت کند.
۶. امنیت داده و نگرانی‌های مشتریان سازمانی
طراحی تراشه یکی از حساس‌ترین حوزه‌های مالکیت فکری در صنعت فناوری است و بسیاری از شرکت‌های تراشه‌ساز به‌شدت نگران افشای طرح‌های خود هستند. به همین دلیل، دو شرکت تأکید کرده‌اند که داده‌های اختصاصی هر مشتری در آموزش مدل استفاده نخواهد شد. رمزنگاری هم در حالت ذخیره و هم در حالت انتقال داده اعمال می‌شود و مشتریان کنترل‌هایی برای تعیین سطح دسترسی، نگهداری داده و ثبت رویدادها (audit) در اختیار خواهند داشت. چند مشتری سازمانی هم‌اکنون در فاز آزمایشی این سیستم مشغول کارند.
۷. واکنش مدیران دو شرکت
ساسین غازی، مدیرعامل سینوپسیس، در این‌باره گفته است که آینده‌ی مهندسی نیمه‌هادی نیازمند شتاب چشمگیر در فرآیند طراحی تراشه است، بدون آن‌که معیارهای توان، کارایی، مساحت یا تضمین درستی تراشه در همان تولید نخست قربانی شود. گرگ برادکمن، رئیس و یکی از بنیان‌گذاران OpenAI، نیز این همکاری را گامی طبیعی در مسیر عامل‌محور این شرکت دانسته و گفته هدف، کمک به مهندسان برای بررسی طرح‌های بیشتر و رسیدن سریع‌تر به یک تراشه‌ی کارآمد است.
۸. این خبر در کجای نقشه‌ی بزرگ‌تر رقابت هوش مصنوعی و سخت‌افزار قرار می‌گیرد؟
این توافق را باید در کنار تلاش گسترده‌تر OpenAI برای ورود عمیق‌تر به دنیای سخت‌افزار دید. پیش از این، این شرکت در همکاری با براودکام، تراشه‌ی استنتاج اختصاصی خود با نام ژالاپینو را در حدود نه ماه، از مرحله‌ی طراحی تا تیپ‌اوت تولید رساند؛ روندی که بخشی از آن با کمک مدل‌های هوش مصنوعی شتاب گرفت. رقابت میان آزمایشگاه‌های بزرگ هوش مصنوعی حالا تنها به کیفیت مدل‌های زبانی محدود نیست و به زیرساخت فیزیکی، یعنی خود تراشه‌ها، هم کشیده شده است؛ موضوعی که در تحلیل‌های ما درباره‌ی رقابت فنی میان مدل‌های هوش مصنوعی هم بررسی شده است.
شرکت‌های دیگر هم بی‌کار نشسته‌اند؛ گوگل با تراشه‌های اختصاصی TPU خود و پروژه‌هایی مانند استقرار واحدهای پردازشی در مدار زمین، و شرکت‌های بزرگ طراحی تراشه مانند انویدیا هم مسیر مشابهی را دنبال می‌کنند. آنچه شراکت OpenAI و سینوپسیس را متمایز می‌کند، تمرکز آن روی لایه‌ی نرم‌افزاری طراحی است، نه صرفاً ساخت یک تراشه‌ی خاص؛ یعنی اگر این مدل موفق شود، تأثیرش محدود به یک محصول نخواهد ماند و می‌تواند روی طراحی هزاران تراشه‌ی مختلف در آینده اثر بگذارد.
از منظر کسب‌وکار هم، این شراکت نشان می‌دهد که هوش مصنوعی عامل‌محور دیگر محدود به نوشتن ایمیل یا تحلیل داده نیست و وارد زنجیره‌ی تولید صنعتی واقعی شده است. اگر به تأثیر هوش مصنوعی بر کسب‌وکارها علاقه دارید، در مقاله‌ی چرا هوش مصنوعی برای کسب‌وکارها مهم است نمونه‌های بیشتری از این تغییر را می‌بینید.
۹. چالش‌ها، نگرانی‌های شغلی و پرسش‌های باز
با وجود همه‌ی این وعده‌ها، هنوز پرسش‌های مهمی باز است. آیا واگذاری بخش بزرگی از چرخه‌ی طراحی به یک عامل خودکار، ریسک خطاهای پنهان یا طراحی‌های نادرست را افزایش می‌دهد؟ دو شرکت تأکید کرده‌اند که نتیجه‌ی نهایی همچنان باید توسط مهندس انسانی تایید شود، اما مرز میان «کمک به مهندس» و «جایگزینی بخشی از کار او» همچنان موضوع بحث است. این نگرانی شبیه بحثی است که در مقاله‌ی توسعه‌دهنده‌ی تنها در برابر مهندس واقعی هم مطرح شده: ابزار قدرتمند، جای تجربه‌ی انسانی را پر نمی‌کند، اما می‌تواند سرعت کار او را چند برابر کند.
از سوی دیگر، مثل هر فناوری نوظهور دیگر، باید دید این سیستم در عمل و در پروژه‌های واقعی چقدر قابل‌اعتماد است. برای نگاهی واقع‌بینانه به مرز میان وعده و واقعیت فناوری‌های هوش مصنوعی، مقاله‌ی توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی می‌تواند دید روشن‌تری بدهد. اگر هم می‌خواهید خودتان با ابزارهای هوش مصنوعی روزمره بیشتر کار کنید، آموزش‌های عملی ما در بخش آموزش‌های ChatGPT و نکات نوشتن پرامپت در راهنمای نوشتن پرامپت برای مبتدیان نقطه‌ی شروع خوبی هستند.
پرسش‌های پرتکرار
مدل GPT-Synopsys دقیقاً چه زمانی برای همه در دسترس قرار می‌گیرد؟
در اعلامیه‌ی رسمی، زمان‌بندی دقیقی برای عرضه‌ی عمومی اعلام نشده است. در حال حاضر چند مشتری سازمانی در فاز آزمایشی مشغول کارند و توسعه‌ی بیشتر بر اساس بازخورد همین مرحله ادامه خواهد یافت.
آیا این فناوری جای مهندسان طراحی تراشه را می‌گیرد؟
بر اساس توضیحات دو شرکت، هدف اصلی جایگزینی کامل مهندس نیست، بلکه کوتاه‌کردن چرخه‌ی تکراری طراحی و تایید است. تصمیم نهایی و تایید طرح همچنان بر عهده‌ی مهندس انسانی باقی می‌ماند.
ابزارهای EDA دقیقاً چیستند و چرا این‌قدر مهم‌اند؟
عبارت EDA کوتاه‌شده‌ی اتوماسیون طراحی الکترونیکی است و به مجموعه‌ی نرم‌افزارهایی گفته می‌شود که برای طراحی، شبیه‌سازی و تایید تراشه‌های نیمه‌هادی استفاده می‌شوند. تقریباً هر تراشه‌ی مدرنی، از گوشی هوشمند تا سرورهای هوش مصنوعی، در بخشی از مسیر طراحی خود از این ابزارها عبور می‌کند؛ به همین دلیل هر پیشرفتی در این لایه، اثر مستقیمی روی کل صنعت نیمه‌هادی می‌گذارد.
آیا داده‌های مشتریان برای آموزش این مدل استفاده می‌شود؟
طبق تعهد رسمی دو شرکت، داده‌های اختصاصی طراحی هر مشتری در آموزش مدل به کار نمی‌رود و رمزنگاری کامل در حالت ذخیره و انتقال داده اعمال می‌شود.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
