Jeff Dean, antiguo científico jefe de Google y actual cofundador de Discovery Loop, considera que la inteligencia artificial puede eliminar parte de los principales cuellos de botella del diseño de chips y facilitar una nueva generación de hardware mucho más especializado. Su planteamiento pasa por automatizar etapas que actualmente requieren grandes equipos trabajando durante años.
Dean sostiene que esta especialización será cada vez más importante porque un número relativamente reducido de cargas de trabajo concentrará gran parte de la capacidad de cálculo mundial. El problema es que diseñar un chip específico puede llevar alrededor de dos años, obligando a decidir hoy qué necesitará el software varios años después. La automatización podría reducir considerablemente ese riesgo.
Los chips especializados son más eficientes, pero también envejecen antes
La propia historia de las TPU de Google ilustra esta idea. Dean explicó que el primer acelerador nació cuando la compañía calculó que desplegar determinados modelos de reconocimiento mediante CPU convencionales habría requerido aumentar enormemente la cantidad de servidores disponibles, haciendo mucho más atractivo construir hardware dedicado.
La especialización permite optimizar una arquitectura alrededor de unas pocas operaciones y obtener mucho más rendimiento por vatio que con un procesador generalista. Sin embargo, cuanto más específico es el diseño, mayor es el riesgo de que cambien los algoritmos o las necesidades antes de que el chip llegue al mercado.
Dean identifica precisamente ahí la principal limitación. Si una arquitectura necesita dos años de desarrollo, los ingenieros deben anticipar qué tipo de computación será importante entre dos y seis años después, algo especialmente complicado en un campo como la IA, donde los modelos y técnicas evolucionan con rapidez.
Reducir ese ciclo permitiría especializar mucho más el hardware sin realizar apuestas tan lejanas. Un diseño terminado en meses podría responder a necesidades mucho más recientes, acercando la arquitectura del chip a las cargas que realmente terminarán utilizándolo.
La IA podría automatizar desde las especificaciones hasta la exploración del diseño
El proceso actual comienza con una especificación de alto nivel que los ingenieros convierten manualmente en descripciones RTL, o nivel de transferencia de registros, donde se define el comportamiento lógico que posteriormente será sintetizado sobre el silicio.
Ese trabajo manual obliga además a que otros equipos verifiquen que la implementación coincide con las especificaciones originales. A esto se suman posteriormente tareas de diseño físico, colocación, temporización y otras fases que hacen que un procesador avanzado requiera grandes equipos especializados durante largos periodos.
La propuesta de Dean consiste en crear ciclos automatizados capaces de explorar diferentes soluciones mediante aprendizaje por refuerzo, algoritmos evolutivos u otras técnicas de búsqueda, evaluando numerosas variantes sin depender de que un ingeniero pruebe cada posibilidad manualmente.
El obstáculo no es únicamente conseguir que una IA genere diseños válidos. También es necesario que las herramientas EDA puedan evaluar cada alternativa con suficiente rapidez, porque una búsqueda automática pierde buena parte de su ventaja si cada iteración necesita horas o días para completarse.
Dean plantea pasar de 150 ingenieros y dos años a diez personas y tres meses
Dean utiliza un ejemplo especialmente agresivo para ilustrar el potencial de esta automatización: pasar de unos 150 ingenieros trabajando durante dos años a un equipo de diez personas capaz de producir un chip en tres meses. No se trata de un resultado demostrado, sino del escenario que considera posible si las herramientas consiguen automatizar gran parte del proceso.
Una reducción de esa magnitud cambiaría también la economía del diseño. Desarrollar un ASIC tiene unos costes iniciales enormes, por lo que actualmente solo resulta rentable cuando el volumen de producción o la mejora de eficiencia justifican varios años de ingeniería.
Si el coste humano y temporal disminuyera radicalmente, podrían aparecer chips orientados a tareas mucho más concretas y con una vida comercial más corta. La especialización dejaría de estar reservada principalmente a productos capaces de amortizar ciclos de desarrollo enormes.
Ese planteamiento encaja además con la misión de Discovery Loop. La compañía fundada por Dean, Sanjay Ghemawat, Quoc Le y Oriol Vinyals busca automatizar ciclos completos de experimentación en ciencia e ingeniería, ejecutando grandes cantidades de pruebas en paralelo y aprendiendo de sus resultados.
Google ya utilizó aprendizaje por refuerzo para diseñar sus TPU
La idea tampoco parte únicamente de una hipótesis. Dean fue uno de los autores de un trabajo publicado en Nature en 2021 que utilizó aprendizaje por refuerzo para automatizar la colocación de bloques dentro de un chip, una de las etapas del diseño físico. Google aseguró que el método podía generar distribuciones en menos de seis horas y que fue utilizado en generaciones de sus TPU.
El trabajo provocó posteriormente una fuerte controversia sobre sus comparaciones con métodos tradicionales y sobre la reproducibilidad de los resultados. Nature llegó a añadir una nota editorial en 2023, pero la retiró en septiembre de 2024 después de una revisión posterior que consideró resueltas las dudas sobre las afirmaciones de rendimiento.
Esto tampoco significa que la automatización haya solucionado ya todo el diseño de un procesador. Aquella investigación estaba centrada en una fase concreta de colocación física, mientras la visión actual de Dean es mucho más amplia y pretende automatizar progresivamente una mayor parte del ciclo completo.
El objetivo no es eliminar al diseñador, sino multiplicar las opciones que puede explorar
La consecuencia más interesante de acelerar el proceso no sería simplemente necesitar menos ingenieros. Un sistema automatizado puede evaluar muchas más arquitecturas de las que un equipo humano podría estudiar manualmente, descartando rápidamente opciones deficientes y profundizando en las más prometedoras.
Eso permitiría explorar combinaciones de núcleos, memoria, interconexiones o unidades especializadas antes de comprometer un diseño definitivo. La IA actuaría así como una herramienta de búsqueda dentro de un espacio de diseño gigantesco, mientras los ingenieros seguirían estableciendo objetivos, restricciones y criterios de validación.
La propuesta de Dean resulta especialmente relevante ahora que la IA está haciendo que determinadas cargas alcancen escalas enormes. Si unas pocas tareas terminan concentrando una parte sustancial de la computación mundial, crear silicio específicamente optimizado para ellas puede proporcionar enormes mejoras de eficiencia.
El problema sigue siendo fabricar ese hardware suficientemente rápido como para que continúe siendo útil cuando llegue al mercado. Para Dean, automatizar el diseño es precisamente lo que podría reconciliar una industria del software que cambia en meses con chips cuyo desarrollo todavía se mide normalmente en años.
Vía: Wccftech
