AI กำลังขยับจากเครื่องมือช่วยงาน EDA ไปสู่การช่วยตัดสินใจระดับสถาปัตยกรรม ตั้งแต่การเลือกโครงสร้างชิป ไปจนถึงการหาวิธีผลิตที่เหมาะสม
บทความนี้จะไล่ดู EDA รุ่นใหม่ ความเปลี่ยนแปลงในโรงงาน และโครงการ Jalapeño ของ OpenAI พร้อมชวนคุยว่า ชิปที่ออกแบบโดย AI จะเปลี่ยนอุตสาหกรรมได้จริงแค่ไหน
เมื่อชิปเริ่มมีส่วนร่วมในการออกแบบชิป
AI เข้ามาช่วยตั้งแต่การวางผังวงจร เลือกตำแหน่งบล็อกต่างๆ และตรวจสอบว่าการเชื่อมต่อทำงานตามเงื่อนไขหรือไม่ งานที่เคยต้องลองหลายรอบจึงมีตัวเลือกให้ทีมวิศวกรพิจารณาเร็วขึ้น
จุดที่น่าสนใจคือ AI เริ่มช่วยมองภาพใหญ่ระดับสถาปัตยกรรม เช่น เปรียบเทียบโครงสร้างชิปกับข้อจำกัดด้านพลังงาน ความร้อน และการผลิต แต่การตัดสินใจสุดท้ายยังต้องผ่านคน เพราะความถูกต้องของแบบไม่ได้แปลว่าผลิตได้จริงเสมอไป
จากงานออกแบบที่กินเวลาหลายเดือนสู่คอขวดที่ AI เริ่มเข้าไปแก้
ทีมออกแบบชิปต้องวนซ้ำกับข้อจำกัดหลายด้านพร้อมกัน ทั้ง performance, พลังงาน, พื้นที่, ต้นทุน และความเข้ากันได้กับระบบ งานใน EDA จึงไม่ได้จบแค่หาแบบที่เร็วที่สุด แต่ต้องหาจุดสมดุลที่ผลิตได้จริงด้วย
AI เริ่มช่วยสำรวจทางเลือก ตรวจจับปัญหา และจัดลำดับแบบที่ควรทดสอบ ทำให้รอบการทำงานสั้นลงได้จริง แต่สิ่งที่เปลี่ยนไปคือคอขวดเดิมที่อยู่ในงานออกแบบย้ายไปอยู่ที่ข้อมูล การตรวจสอบ และการตัดสินใจของทีมวิศวกรแทน
AI อยู่ตรงไหนในห่วงโซ่การสร้างชิป
AI เข้ามาตั้งแต่ EDA ช่วยทำงานออกแบบซ้ำๆ ไปจนถึงสำรวจสถาปัตยกรรม สร้าง IP และตรวจสอบความถูกต้องของแบบ จุดสำคัญคือมันช่วยคัดทางเลือกให้ทีมวิศวกรตัดสินใจได้เร็วขึ้น แต่ยังต้องพึ่งข้อมูลและการตรวจสอบจากคนอยู่ดี
ปลายทางจึงไม่ใช่แค่ชิปที่ออกแบบได้ไว แต่ต้องตอบโจทย์การใช้งานจริงในสเกลใหญ่ โครงการชิปภายในองค์กรอย่าง Jalapeño ของ OpenAI ที่พัฒนาร่วมกับ Broadcom คือตัวอย่างที่ชัด เพราะ AI ถูกใช้ช่วยคิด ตรวจแบบ และปรับวงจรเลขคณิต (arithmetic-circuit optimization) ตลอดกระบวนการ จนทำให้ไปจากแบบเริ่มต้นถึงขั้น tapeout ได้ภายในเวลาประมาณ 9 เดือน ก่อนส่งต่อให้ทีมทำให้ผลิตได้จริง
จากเครื่องมือช่วยคำนวณสู่ระบบที่ช่วยตัดสินใจ
AI ทำให้ EDA ช่วยเสนอทางเลือกและค้นหาแบบที่เหมาะได้เร็วขึ้น แต่การตัดสินใจยังต้องดูข้อจำกัดของการผลิตจริง ตารางนี้สรุป trade-off ที่วิศวกรต้องรับมือ
| Factor | แบบดั้งเดิม | แนวทางที่ใช้ AI |
|---|---|---|
| ความเร็วในการทำซ้ำ | ช้ากว่าเมื่อทางเลือกเพิ่มขึ้น | ลองทางเลือกได้เร็วกว่า |
| การใช้ทรัพยากร | พึ่งเวลาและแรงงานคนมากกว่า | พึ่งคอมพิวเตอร์และข้อมูลมากกว่า |
| คุณภาพของผลลัพธ์ | อธิบายที่มาได้ชัด | เห็นทางเลือกที่คนอาจมองข้าม |
| การควบคุมของวิศวกร | ควบคุมขั้นตอนได้โดยตรง | ต้องกำหนดกรอบและตรวจผลลัพธ์ |
| ข้อผิดพลาดที่ตรวจจับยาก | ตามรอยปัญหาได้ง่ายกว่า | ต้องตรวจซ้ำ เพราะอาจมีจุดผิดซ่อนอยู่ |
ใช้จริงแล้ว AI เปลี่ยนงานออกแบบชิปตรงไหนบ้าง
AI ช่วยจัดวางวงจรโดยลองสมดุลระหว่างความเร็ว พื้นที่ และการใช้พลังงานหลายแบบ วิศวกรจึงเลือกทางที่เหมาะกับงานจริงได้เร็วขึ้น ตัวอย่างที่จับต้องได้คือชิป inference อย่าง Jalapeño ของ OpenAI ที่บริษัทเผยผลทดสอบของตัวเองว่าทำงานต่อวัตต์ได้สูงกว่าและมี latency ต่ำกว่าระบบที่ใช้ Nvidia GB200 เทียบกัน
ตอนค้นหาสถาปัตยกรรม AI ทดลองทางเลือกจำนวนมาก บางแบบอาจไม่ใช่ตัวเลือกแรกของคน แต่ช่วยเปิดมุมมองใหม่ให้ทีมออกแบบได้
งานตรวจสอบก็ละเอียดขึ้น เพราะ AI ช่วยไล่หาปัญหาในวงจรขนาดใหญ่ โดยเฉพาะข้อผิดพลาดที่เกิดเฉพาะบางเงื่อนไข แต่วิศวกรยังต้องตรวจผลลัพธ์ซ้ำอยู่ดี
สุดท้าย บริษัทสามารถสร้างชิปเฉพาะงานสำหรับ AI หรือระบบของตัวเองได้มากขึ้น แทนการพึ่งชิปสำเร็จรูปทั้งหมด ทำให้ควบคุมต้นทุนและรูปแบบการทำงานได้ตรงเป้ามากกว่าเดิม
EDA รุ่นใหม่เทียบกับทางเลือกที่อุตสาหกรรมใช้วันนี้
| Factor | EDA แบบเดิม | EDA ฝัง AI | ระบบภายในองค์กร |
|---|---|---|---|
| การปรับแต่ง | จำกัดตามเครื่องมือ | ปรับได้บางส่วน | ปรับได้ตามงาน |
| ความพร้อมใช้งาน | พร้อมใช้ | พร้อมใช้ | ต้องพัฒนาเอง |
| ความน่าเชื่อถือ | ผ่านการใช้งานกว้างขวาง | ขึ้นกับการตรวจสอบ | ขึ้นกับทีมและข้อมูล |
| ต้นทุน | คาดการณ์ง่าย | สูงขึ้นตามความสามารถ | ลงทุนเริ่มต้นสูง |
| พึ่งพาผู้ขายรายใหญ่ | สูง | สูง | ลดลง |
EDA แบบเดิมเหมาะกับทีมที่ต้องการ workflow คุ้นเคยและความเสี่ยงต่ำ ส่วนเครื่องมือที่ฝัง AI ช่วยลดงานซ้ำ และค้นหาทางเลือกในการออกแบบได้เร็วขึ้น
ระบบภายในองค์กรให้อิสระมากที่สุด เหมาะกับบริษัทที่มีทีมวิศวกรและข้อมูลพร้อม แต่ต้องรับผิดชอบการทดสอบ ความน่าเชื่อถือ และการดูแลระบบเอง
จุดแข็งที่น่าจับตา และข้อจำกัดที่ยังแก้ไม่ตก
AI ช่วยลดเวลาทดลอง เปิดทางเลือกใหม่ และช่วยวิศวกรรับมือกับวงจรที่ซับซ้อนขึ้นได้ดีขึ้น งานแบบนี้อาจช่วยให้บริษัทออกแบบชิปเฉพาะงานได้เร็วขึ้น เช่น ชิปโหนด 3nm สำหรับอุปกรณ์ที่ต้องการ performance สูง
แต่ผลลัพธ์ของ AI ไม่ได้ตรวจสอบง่ายเสมอไป ความถูกต้องยังต้องผ่านการทดสอบและการรับรอง ขณะเดียวกัน ข้อมูลฝึกอาจจำกัด และคนที่เข้าใจทั้ง AI กับฮาร์ดแวร์ยังหาได้ยาก
ข้อดี
- +ลดเวลาการทดลองและงานซ้ำ
- +เพิ่มทางเลือกในการออกแบบชิป
ข้อเสีย
- −ตรวจสอบผลลัพธ์และความถูกต้องได้ยาก
- −ต้นทุนทดสอบและรับรองยังสูง
ค่าใช้จ่ายจริงไม่ได้จบที่ซอฟต์แวร์หรือชิปต้นแบบ
ต้นทุนจริงรวมค่าลิขสิทธิ์เครื่องมือและโครงสร้างพื้นฐานคอมพิวต์ ค่าแรงวิศวกร รวมถึงค่าตรวจสอบและการรับรองก่อนผลิตจริง หากชิปไม่ผ่านการทดสอบ การทำซ้ำจะเพิ่มทั้งเวลาและค่าใช้จ่ายทันที
ยังมีค่าเครื่องมือจากผู้ขายหลายราย ความเสี่ยงด้านทรัพย์สินทางปัญญา และต้นทุนจากการผูกติดกับระบบเฉพาะด้วย ต่อให้ AI ช่วยลดงานออกแบบได้ แต่ทีมยังต้องเผื่องบสำหรับตรวจผลลัพธ์และรับมือความผิดพลาดจากกระบวนการผลิตจริง
Jalapeño บอกอะไรเกี่ยวกับอนาคตของชิปที่ออกแบบโดย AI
Jalapeño ไม่ได้พิสูจน์แค่ว่า AI สร้างชิปได้หรือไม่ แต่มันทดสอบรูปแบบใหม่ของการควบคุมห่วงโซ่คอมพิวต์ ตั้งแต่โมเดล AI ไปจนถึงฮาร์ดแวร์จริง
คำถามสำคัญจึงไม่ใช่แค่ AI ออกแบบได้ดีแค่ไหน แต่คือใครเป็นคนตัดสินใจในแต่ละขั้น ต่อไปเส้นแบ่งระหว่างวิศวกรที่ใช้ AI กับระบบ AI ที่ทำหน้าที่เป็นผู้ออกแบบ อาจเลือนหายเร็วกว่าที่หลายคนคิดกันครับ