谷歌正在開發新的膚色分類方法，試圖遏制科技產品存在的種族偏見

近日，根據路透社報導，谷歌正在開發一種替代行業標準的膚色分類方法。

這一做法與近年來備受關注的種族話題有著密切關係。越來越多的技術研究人員和皮膚科醫生表示，目前的膚色分類方法不足以評估某種產品是否對有色人種產生了偏見。

目前使用的膚色分類方法源自1970年代，是一種被稱為菲茨帕特里克皮膚類型（FST）的六色標度。除皮膚科醫生外，不少科技公司也依靠其來對人種進行分類，並用此來衡量面部識別系統或智能手錶心率傳感器等產品在不同膚色中的表現。

批評者說，FST對白皮膚有四種分類，而對“黑色”和“棕色”皮膚則分別只有一個大類，這無疑是無視了有色人種之間的多樣性。
去年10月，美國國土安全部的研究人員在聯邦技術標準會議上建議，放棄FST進行面部識別，因為它不能很好地代表不同人群的膚色範圍。

對此，谷歌稱，一直以來公司都在尋求更好的措施。

谷歌表示：“我們正在研究可能對產品開發有用的、具有替代性的、更具包容性的措施，並將與科學和醫學專家以及有色人種社區合作。”

其實，關於這項革新，科技行業內收到的影響更大。相較於金融等行業，從事科技行業的白人更多。但隨著人工智能提供支持的新產品擴展到醫療保健和執法等敏感和受監管領域，確保技術適用於所有膚色以及不同年齡和性別的重要性也隨之越來越大。

此前，不少類型的產品提供了比FST豐富得多的面板。Crayola去年推出了24款膚色蠟筆，今年美泰公司的芭比時尚達人娃娃涵蓋了9種色調。

這個問題對谷歌來說並不只表現在學術方面。當谷歌在2月份宣布某些安卓手機的攝像頭可以通過指尖測量脈搏率時，它表示，無論用戶的皮膚是淺色還是深色，讀數的平均誤差都只會保持在1.8%左右。

後來谷歌也提供了類似的保證，即皮膚類型不會顯著影響視頻會議中過濾背景的功能，也不會影響即將推出的用於識別皮膚狀況的網絡工具。

已故哈佛大學皮膚科醫生Thomas Fitzpatrick博士發明了一種量表，用於個性化紫外線輻射，以此來治療銀屑病。他通過詢問“白人”的皮膚在陽光下經過一段時間後會出現多少曬傷或曬黑，將他們的皮膚分組為I到IV。

十年後，出現了“棕色”皮膚的V型和代表“黑色”皮膚的VI。

但該量表仍然是美國測試防曬產品法規的一部分，也仍然是評估患者癌症風險等的流行皮膚病學標準。

一些皮膚科醫生表示，該量表是一種糟糕且過度使用的護理措施，並且經常與種族混為一談。

“很多人會認為我是V型皮膚，這種皮膚很少甚至永遠不會被曬傷，但事實證明我會。”賓夕法尼亞大學皮膚科醫生Susan Taylor說，他於2004年創立了皮膚顏色協會，以促進對邊緣化社區的研究。

直到最近，科技公司才對此開始上心。Unicode是一個監督表情符號的行業協會，2014年公司引用FST黃色以外的五種膚色為基礎，稱該比例“沒有負面關聯”。

2018年，一個題為“Gender Shades”的研究發現，面部分析系統往往在歸類膚色較深的人種外經常出現錯誤，但仍推廣使用FST來評估AI。該研究將FST描述為“起點”，後來進行類似研究的科學家表示，他們使用該量表是為了保持一致。

“作為針對相對不成熟的市場的第一個措施，它的目的是幫助我們識別危險信號。”專注於審計AI的研究員Inioluwa Deborah Raji說。

在4月份的一項測試人工智能檢測深度偽造的研究中，Facebook的研究人員寫道，FST“顯然不包括棕色和黑色膚色的多樣性”。儘管如此，他們還是發布了3,000個人的視頻，用於評估人工智能係統，並根據八位人類評估者的評估附加了FST標籤。

評估者的判斷是核心。去年，面部識別軟件初創公司AnyVision提供了部分名人的評分示例：前棒球巨星Derek Jeter是IV型，Tyra Banks是V，說唱歌手50 Cent是VI。

AnyVision表示，它同意谷歌重新考慮使用FST的決定。Facebook同樣表示願意採取更好的措施。

受到Black Lives Matter運動的啟發，加州大學聖地亞哥分校的臨床醫生去年在Sleep雜誌上寫道，使用FST可能會使智能手錶在讀取深色皮膚人種的心率時存在較大誤差。

微軟承認FST的缺陷。蘋果表示，它使用各種措施對不同膚色的人類進行測試，FST並不是唯一指標。Garmin表示，由於進行了廣泛的測試，它認為讀數是可靠的。

創立化妝公司Mob Beauty並幫助Crayola開發新蠟筆的Victor Casale說，他為粉底開發了40種色調，每種色調與下一種色調相差約3%，足以讓大多數成年人區分。

他說，電子產品的色彩準確度表明技術標準應該有12到18種色調，“6種是肯定不夠的”。

光量子傳輸成為可能？哥本哈根大學新研究，使光量子在室溫下保持穩定

​

三星最新屏幕黑科技：可拉伸的OLED屏，能貼在皮膚上

你對手機屏幕的想像還停留在折疊屏嗎？

或許它還可以更柔軟？可拉伸變形的那種？

這不，屏幕大廠三星順應下一代柔屏技術的發展，研究出了一款可以像橡皮筋一樣往各個方向拉伸的OLED屏，該屏最多可拉長30%、“蹂躪”1000次後也能正常顯示：

不管你是搓起“褶子”、三重折疊，還是扭曲270度，它的小綠光都不會熄滅[旺柴]。

△  D：起皺，E：折疊，F：多層折疊，G：扭曲

廣泛應用於手機曲面屏和折疊屏的OLED，又是如何做到彈性拉伸的呢？

既能變形又保證效果

造出一個可拉伸顯示屏不簡單，為了防止變形後屏幕損壞或性能下降，所有採用的材料和元件，包括基板、電極、薄膜晶體管、發光層和傳感器，都必須具有物理延展性的同時保持其電學特性。

工程師們用彈性體 （elastomer）取代了現有可拉伸顯示屏中使用的塑料材料。

彈性體是一種具有高彈性和回彈力的先進材料，但易受熱影響，因此他們對這種材料進行了分子組成調整以增加它的耐熱性。

為了減緩拉伸引起的應力對OLED像素的影響，該顯示屏的整體設計具有特殊的網格狀“島”結構。

裡面還應用了一種可拉伸電極材料（裂紋金屬，cracked metal），它能抵抗彈性體區域的變形，保證像素之間的空間和接線電極能夠拉長和收縮的同時，“島”內的OLED像素不會變形影響顯示效果。

△ 裂紋金屬

什麼時候能用在手機上

可伸縮的屏幕研究出來了，是不是就意味著我們能很快看到新的三星Galaxy呢？

Emmm，一切都還早呢！你也看到了，成品還處於原型階段，很粗糙，只能簡單“發發光”。

作為概念驗證，工程師們先把它集成到了 Continue reading →

能拧瓶盖，能盘西兰花，哈佛大学这款软体抓手展现极佳灵活性！

​

转笔，使用筷子，盘核桃等这种“在一只手内移动物体的动作”，我们称之为 “手内操作（In-hand manipulation）”。在传统机械手上，手内操作通常需要精确的运动规划和控制方可实现。

相较而言，软体手能够同未知的物体更好的交互，因此无需过多依赖精准的传感或复杂的控制，软体抓手就可以实现一定的手内操作。来自哈佛大学微型机器人实验室（Microrobotics Lab），RJ Wood教授团队的研究者们研发了一款软体抓手，并用较少的控制和传感信息实现了较为稳健的手内操作，例如拧下瓶盖，摆放点心等。该研究发表于著名机器人期刊《IEEE Robotics and Automation Letters》。

另外，近日该团队还放出了开源的软体机器人仿真软件SoMo，模拟软体机器人和环境物体交互的场景。

我们或许拥有世界上最灵巧的“机构”，我们的双手。通过简单的训练，我们可以做出使用筷子，转笔等一系列复杂的动作。通过专业的训练，魔术师甚至可以掌握让人眼花缭乱的卡牌技巧。

图3. 人手的灵活程度无与伦比

科学家们希望能用机械手来复现人手的功能，从而让机器人能代替人进行复杂的操作，或是能作为假肢帮助肢体缺陷的人。生活中的物体种类多样，千变万化，为了实现机械手的手内操作，刚性的机械手需要尽可能多的感知信息和精妙的控制方可实现。

图4. 仿生机械手Shadow Hands 单手玩魔方

软体抓手能够很好的适应不同的物体和未知的环境，抓取形状和大小各异的物体。来自于哈佛大学微型机器人团队的研究者们设计了一款四指软体抓手，并复现了一些日常生活中常见的手内操作动作，如拧下瓶盖，摆放食品位置和抓取过程中提供重力补偿等。该研究发表于著名机器人期刊《IEEE机器人和自动化快报（IEEE Robotics and AutomationLetters）》。

我们先来看几个软体抓手的手内操作展示，感兴趣的读者可以在文末找到完整的视频和论文信息。值得注意的是，研究者称，在这些展示中，物体具体的姿态，尺寸或者重量属性都没有明确的给出。

拧瓶盖是日常生活中常见的动作之一，通过简单的运动规划，软体抓手可以拧下瓶盖，并来回晃动。

图5. 软体手拧瓶盖

除了较硬的瓶盖，软体抓手可轻柔地抓取操作一些脆弱的物体，例如水果，蔬菜，或者是蛋糕点心。研究者们展示了软体手可以旋转并调整蛋糕的姿态，然后将它放入蛋糕盒内，方便取用。

图6. 调整蛋糕方向

无需过多的感知和控制，软体抓手可以对西兰花这种形状及其不规则的物体进行平移和旋转的手内操作。

图7. 软体手对西兰花进行操作

研究者还展示了软体抓手带有重力补偿的手内操作。由于软手指的刚度较低，导致在水平旋转比较重的物体时会出现偏移。根据手的朝向和物体的重量，可以计算出一个简单的气压偏移值补偿到软体手指内，从而使软体抓手成功完成水平方向的旋转动作。

图8. Continue reading →

一杯DNA裝下全世界？MIT突破DNA新檢索技術，實現DNA「冷存儲」

一個咖啡杯就能裝下全世界？

有了DNA數據存儲，這是可能的。

1988年，藝術家Joe Davis和哈佛大學研究人員合作，首次證明了DNA存儲數字化數據的原理。

Davis通過明暗像素將代表35bits數據的符文符號圖像表示為二進制0和1，並將其編碼成了大腸桿菌DNA中的28個鹼基對。

隨後，存儲在DNA中的數據也從簡單文本變成高清音樂視頻、整個數據庫、MPEG、JPG、PDF等文件，甚至還有惡意軟件。

DNA數據存儲發展過程（1965-2018）（圖源：nature）

DNA數據存儲是什麼

DNA數據存儲是一個將二進制數據轉換成人工合成DNA鏈的編碼過程。

為了在DNA中存儲二進制數字文件，比特（bits）將從1和0轉換成字母A，C，G，T，這四個字母代表組成DNA的四種核苷酸：腺嘌呤，胞嘧啶，鳥嘌呤，胸腺嘧啶。

物理存儲介質是一條序列中包含As, Cs, Gs, Ts的合成DNA鏈，其順序與數字文件中的bits相對應，如果要恢復數據，需要對DNA鏈進行測序，根據As, Cs, Gs, Ts還原成初始的數字序列。

數字化的數據在DNA中編碼和解碼的過程（圖源：https://www.ssbt.org.cn/upload/20190905163302_429.pdf）

在人類創造數據能力不斷增長的今天，基於DNA的數據存儲似乎是個「潛力股」。

因為與其他大多數媒介相比，DNA提供了驚人的「數據存儲密度」，而且相比傳統數據存儲，它具有高度穩定性：DNA分子半衰期超過「500年」，低溫條件下可保存「成千上萬年」。

但DNA並非沒有缺點，成本高昂是阻礙其發展的主要問題。

目前，DNA鏈的鹼基模式中沒有編碼比特的標準方法，合成特定的序列仍然很昂貴。而用目前的方法訪問數據不僅慢，而且會消耗用於存儲的DNA。如果試圖訪問數據的次數太多，就必須以某種方式恢復它，這有可能引入錯誤。

近日，麻省理工學院和Broad研究所（Broad Institute）的一個團隊找到了一個解決方案。在這個過程中，研究人員創建了一個基於DNA的圖像存儲系統，它介於「文件系統」和「基於元數據的數據庫」之間，相關論文已在Nature上發表。

把所有數據存儲到DNA上的瓶頸

在DNA中存儲數據的系統涉及到向包含數據的DNA片段添加特定的序列標籤。

為了得到想要的數據，你只需添加能與正確的標籤鹼基配對的DNA位，並使用它們來擴增完整的序列。可以把它想像成用一個ID 標記集合中的每個圖像，然後進行設置，只放大一個特定的ID。

這種方法是有效的，但它有兩個方面的限制。

首先，使用稱為PCR（聚合酶鍊式反應）的過程進行的擴增步驟，對可擴增的序列的大小有限制。而每個標籤都會佔用一些有限的空間，所以添加更多詳細的標籤（如復雜的文件系統可能需要）會減少數據空間。

一條8 個PCR 管，每個管含有100 μL 反應混合物

另一個限制是，擴增特定數據片段的PCR 反應會消耗一些原始的DNA 庫。換句話說，每次你拉出一些數據，你都會破壞成堆的不相關的數據。頻繁地訪問數據，最終會耗盡整個存儲庫。雖然有辦法重新放大一切信息，但每次這樣做都會增加引入錯誤的機會。

而這項新的研究已經將標籤信息從數據存儲中分離出來。此外，研究人員創建了一個系統，其中可以只訪問你感興趣的DNA數據，而不觸及其餘的數據，提高了數據存儲的壽命。 Continue reading →

本週二，美國共和黨人和民主黨人在反壟斷聽證會上對其所提出的反競爭行為表達了擔憂，例如大型科技企業以低於成本的價格銷售設備，以及在其平台上推廣自己的服務而不是競爭對手的服務。

擔任參議院司法部門反壟斷小組主席的明尼蘇達州民主黨參議員艾米·克洛布查(Amy Klobuchar)表示，大型科技企業向更多家用設備的擴張，可能會讓他們進一步鞏固自己的市場地位。她舉了這樣一個場景作為例子：當消費者想要購買雜貨的時候，亞馬遜的智能設備可能只向消費者推薦全食超市，因為後者屬於亞馬遜旗下。

克洛布查說道：“在家用技術方面，我們看到，當今主導科技行業的一些最強大的企業，正在為主導未來的平台而做準備。消費者應該擁有選擇權，而不是只能選擇垂直整合的科技巨頭。”

本次聽證會標誌著美國國會的立法者正在考慮對反壟斷法進行潛在改革，從而對這些公司實施更嚴格的監管，這是對大型科技企業的行為進行審查的最新舉措。克洛布查和猶他州參議員、反壟斷小組的資深共和黨人邁克·李（Mike Lee）都提出了自己的立法建議，旨在全面改革和加強反壟斷執法。眾議院議員也在上週提出了他們自己的建議。

Sonos公司的首席法務官艾迪·拉扎魯斯（Eddie Lazarus）表示，Google和亞馬遜的商業行為使Sonos這家音箱企業難以與他們競爭。他稱，這兩家公司侵犯了Sonos公司持有的150項專利，還有其他投訴。

亞馬遜高管萊恩·麥克雷特（Ryan McCrate）在其證詞中表示，亞馬遜會將其技術提供給其他開發者，以便通過其語音助手服務Alexa提供其他競爭平台的音樂服務。他說，亞馬遜成立了一個公司聯盟，致力於確保消費者能夠在一台設備上獲得多種同步的語音服務。

Google政府事務高級主管威爾遜·懷特（Wilson White）說，該公司優先考慮消費者的選擇和隱私。他說，在許多使用GoogleAndroid操作系統的設備上，消費者可以選擇設置競爭對手的語音助手，例如亞馬遜的Alexa。

李警告說，隨著更多新產品進入普通用戶的家庭當中，監管機構不應該給科技企業更多的權力來引導消費者的選擇。他說道：“為什麼要讓大型科技企業對我們的日常生活有更多的控制和影響？我們知道，在行使這些權力的時候，他們並非總是想著社會的最佳利益。我們當然清楚，這樣做不會有好的結果。”

美國“芯”荒

2021年4月12日，美國總統拜登在白宮舉行的“半導體峰會”上舉起了一片晶圓，這是兩個月內拜登在白宮第二次舉起與半導體相關的器件，而上一次則發生在2月24日因美國芯片嚴重短缺而簽署行政令之時，當時，他特地手持一枚小小的芯片。不到兩個月的時間，同一產業鏈上的兩件商品相繼出現在美國總統的手中，這種現象並不常見。按理說，美國是芯片大國，最不該焦慮。結果，在這場缺“芯”危機面前，美國卻成了“芯”荒的代表，最近幾個月，白宮連續釋放出對芯片短缺、產業鏈漏洞的焦慮，一個產業竟然讓一個芯片大國手足無措。

1.“芯”荒背後

“芯”荒的背後是產需結構的錯配

全球性缺“芯”和芯片製造的產能結構息息相關。進入2010年以後，隨著以智能手機為代表的移動智能端產品的全球性普及，芯片生產對於功耗性能和芯片尺寸的要求越來越高,全球芯片大廠英特爾、台積電、三星等紛紛加入小尺寸高端芯片的研發以及12英寸的產能擴充大潮中。12英寸全球產能在2008年前後超越8英寸產能後，即呈現出單邊上升趨勢。而因為需求的萎縮，毛利率相對較低的8英寸產能則長期停滯不前。根據IC Insights的統計，從2009到2020年，全球至少有25座8英寸晶圓廠關閉，佔全球關閉晶圓工廠數量的約90％，產能不斷往幾家大廠集中，同時12英寸晶圓廠從68座增加到127座。自此，以小尺寸高端工藝芯片生產為主的12英寸芯片生產線逐漸取代了過去8英寸生產線的主流地位。

圖1 2000—2022年12英寸與8英寸晶圓的產能變化

資料來源：SUMCO（三菱住友商事株式會社），2019

然而，进入2020年以后，全球芯片的需求结构却突然发生了颠覆性的变化。一方面，以智能手机、平板为主的移动智能的需求量在2019年以后逐渐进入瓶颈。而另一方面，物联网、汽车电子等行业却开始进入一轮新的产业趋势推动下的需求大爆发。尤其在汽车电子领域，以往传统燃油车的单车芯片使用数量不足百颗，20世纪50年代，汽车制造中所采用的电子产品还不到制造总成本的1％。如今，电子产品的成本已经可以达到总成本的35％，并且预计到2030年将增加到50％。而随着汽车电子化的普及，传感器芯片、功率半导体、微处理器等使用数量出现爆炸式增长，新能源车的出现更是将这一数量刷新至千颗以上。车载芯片对于功耗性能以及尺寸的要求，显著低于移动智能端的芯片要求，一般而言8英寸生产线即可满足。这一需求端的结构性转变来得如此之快，以至于全球的芯片制造商完全没有做好产能切换的转变。2020年开始的全球性疫情，则将这一芯片供需的结构性错配放大得更加明显。疫情控制得较好的东亚地区，其芯片产能主要集中在12英寸。传统的芯片制造地美欧地区则以8英寸产能为主。而美欧疫情的失控，造成全球8英寸芯片产业链几度断裂。欧洲大厂英飞凌、恩智浦等先后因为疫情停产，而意法半导体则一度因为罢工而生产中断。这也是为什么这场跨年度的全球缺“芯”危机，最初是从8英寸汽车芯片开始，而随着时间的推移，如今已经逐渐蔓延到整个行业，遍及几乎所有终端应用。

2.產業鏈重置

產業鏈重置帶來瞭如今的缺“芯”

從1947年美國貝爾實驗室成功研製世界上第一塊點接觸式晶體管，到1958年美國得州儀器公司的傑克•基爾比發明了第一塊芯片……可以說，美國在芯片行業一直處於絕對領先地位。20世紀80年代之後，傳統IDM模式（芯片設計加製造模式）廠商漸漸支撐不住高昂的投入，美國大量中小型芯片公司陷入經營困境。而純代工模式的出現解放了這些中小型芯片公司，使其放下工藝研發和資本支出的包袱，專注於設計研發。逐漸剝離了製造業務之後，純芯片設計公司開啟了黃金時代，自20世紀90年代開始在半導體產業總營收中的佔比一路增長。可以說，20世紀90年代以來，美國半導體產業的發展策略，就是牢牢把持住芯片設計、先進設備材料等佔據產業鏈利潤率最高、資本回報率最大的環節，而把利潤率低、污染大的芯片加工環節放到海外去。正是依靠這種產業策略，美國一大批科技公司迅速爬升到產業鏈上游，美國半導體產業發展也一直處於高歌猛進的階段。

圖2 純芯片設計模式在半導體產業中營收佔比

資料來源：全球半導體聯盟（GSA），美國半導體行業協會(SLA)

坐享行業最大紅利幾十年之後，發展到今天，美國遇到了瓶頸。而擋住美國的，不是資本，不是人才，而是產業鍊格局重置，以及美國在這場重置中的選擇。 Continue reading →

谷歌用AI設計AI芯片，6小時完成工程師數月工作

谷歌稱其正在使用機器學習系統幫助工程師設計新一代機器學習芯片。谷歌工程師表示，算法設計的芯片質量和人工設計“相當”甚至“還要更好”，但完成速度要快得多。谷歌表示，人工智能可以在不到6小時的時間內完成人工需要數月時間完成的芯片設計工作。

谷歌多年來一直在研究如何使用機器學習製造芯片，本周谷歌員工發表在《自然》雜誌的一篇論文證實此類研究已經應用於商業產品。谷歌開始用人工智能設計自家的TPU芯片。

據悉，TPU芯片是應用於人工智能的芯片，專門針對人工智能計算進行了優化。“我們的方法已經用於生產設計新一代谷歌TPU，”谷歌研究科學家、論文作者阿扎莉亞·米爾霍塞尼(Azalia Mirhoseini)和安娜·戈爾迪(Anna Goldie)寫道。

換句話說，人工智能正在幫助推動人工智能技術的進步。

谷歌工程師在論文中指出，這項工作對芯片行業有“重大影響”。這可以讓公司在設計芯片時探索架構可能性的速度更快，為特定工作負載定制芯片也更便捷。

《自然》雜誌的一篇評論稱這項研究是一項“重要成就”，並指出此類工作可以幫助抵消摩爾定律的終結。摩爾定律是20世紀70年代出現的一個芯片設計原則，也就是芯片上的晶體管數量每兩年翻一番。人工智能不一定能突破物理極限、將越來越多的晶體管壓縮到芯片上，但可以幫助工程師找到提高芯片性能的其他途徑。

圖示：谷歌的人工智能專用芯片TPU

谷歌算法處理的具體任務被稱為“芯片版面規劃”。通常情況下，設計師需要在計算機工具的幫助下為CPU、GPU以及內存核心等芯片子系統找到在矽晶片上的最佳佈局。這些芯片子系統通過總共長達幾十公里的微小線路連接在一起，芯片上每個子系統的位置均會影響芯片的最終處理速度和效率。而且，考慮到芯片製造的規模和計算週期，納米層面上的位置調整最終會帶來巨大影響。

谷歌工程師們指出，規劃芯片版面對人來說需要“數月的緊張工作”，但從機器學習的角度來看，完全可以像下棋那樣解決這個問題。

人工智能已經證實其可以在國際象棋和圍棋等棋類游戲中勝過人類。谷歌工程師們指出，芯片版面規劃與此類挑戰相似，只不過用的不是棋盤，而是矽片。棋盤上的棋子變成了CPU和GPU等芯片子系統器件。接下來的任務就是讓機器學習系統找到“獲勝條件”。在國際象棋比賽中是吃掉對方的王，而在芯片設計中是計算效率。

谷歌工程師利用芯片版面規劃數據集來訓練一種強化的機器學習算法，其中有1萬個不同質量的芯片版面規劃圖，一些規劃是隨機生成的。每個規劃圖所需電線長度和功耗有所不同。然後，訓練後的算法利用這些數據來區分版面規劃的好壞，並相應生成新的設計。

當人工智能在棋類游戲中挑戰人類時，機器並不一定像人類那樣思考，而且經常會對熟悉問題提出意想不到的解決方案。DeepMind的AlphaGo與圍棋冠軍李世石對弈時就是如此，人工智能看似不合邏輯的一步棋卻最終取得了勝利。

谷歌的芯片設計算法並沒有帶來如此戲劇性的變化，但其生成的芯片版面設計與人工設計完全不同。在人工智能設計的芯片版面中，各個子系統並沒有整齊排列，看起來幾乎是隨機分散在矽片上。《自然》雜誌的一幅插圖展示了這種差異，左邊是人工設計的芯片版面，右邊則是機器學習系統設計的。由於相關設計是保密的，這些圖片被作者有意做了模糊化處理。

圖示：左邊是人工設計的芯片版面，右邊則是機器學習系統設計的

這篇論文之所以值得注意，是因為其研究成果現在正被谷歌用於商業用途。但這遠不是人工智能輔助芯片設計的唯一應​​用。谷歌還在“架構探索”等芯片設計過程的其他部分使用人工智能，而英偉達等競爭對手也在研究其他方法來加快芯片研發工作流程。用人工智能設計人工智能芯片的良性循環似乎才剛剛開始。

谷歌TPU秘密武器，6小時完成芯片佈局！新AI算法登Nature

谷歌用人工智能提高芯片設計速度的研究，已發表於國際頂級期刊Nature。

原本人類專家需要花費數週時間的芯片佈局設計，通過一種深度強化學習方法，平均6小時內就能完成這個過程。

這項工作並不完全新穎，包括谷歌人工智能負責人Jeff Dean在內的谷歌工程師團隊，在一年前發表的一篇預印版論文中已經提到了這一技術。

谷歌博客：
https://ai.googleblog.com/2020/04/chip-design-with-deep-reinforcement.html

而在Nature最新發表的論文中，谷歌原始研究團隊稱其已微調該技術，來設計即將推出的、以前未宣布的谷歌張量處理單元（TPU）的生成，專門用於加速人工智能（AI） 。

該論文題目為《一個快速芯片設計的布圖佈局方法》（A graph placement methodology for fast chip design）。如果這一技術公開，或有助於讓資金受限的初創企業開發滿足特定需求的自家芯片，並縮短芯片設計週期，使硬件更好地適應快速發展的研究。

01 .芯片設計自動化挑戰大，性能難達人類水準

微芯片面積約為幾十到數百毫米平方，容納數千個組件，如內存、邏輯和處理單元，外加許多公里的超薄電線將這些組件連接在一起。

設計過程中，全局佈線是最複雜和耗時的階段之一，這涉及研究這些組件的最佳放置位置，就像建築師設計建築的內部空間一樣，如何以最好的規劃容納所有所需的固定裝置和配件。

在這項研究中，谷歌研究人員提出了一種基於深度強化學習的芯片佈局方法，目標是將電路組件和標准單元的網表節點映射到一個芯片畫布上，從而優化功率、性能和麵積（PPA ），同時遵守對佈局密度和佈線擁塞的限制。

自20世紀60年代以來，提出了許多自動化的芯片平面圖方法，但沒有一種方法達到人類專家上手所能實現的性能。此外，芯片複雜性的指數增長，使這些技術難以在現代芯片上使用。

人類芯片設計師往往必須使用電子設計自動化（EDA）工具迭代數月，對芯片網表進行RTL描述，並手動將該網表放置在芯片畫布上。

基於這種長達72小時的反饋，設計師要么得出結論，認為設計標準已經達到，要么向上游RTL設計師提供反饋，後者然後修改低級代碼，使放置任務更容易。

而谷歌提出的深度強化學習方法，是一種具有泛化能力的芯片佈局方法。通過領域自適應策略，它能夠跨芯片進行推廣，可以自行從經驗中學習，使其芯片佈局設計能力變得更好、更快。

02 .用遊戲系統、10000個芯片佈局訓練

訓練跨芯片推廣的AI驅動設計系統具有挑戰性，因為它需要學會優化將所有可能的芯片淨列表放置在所有可能的畫布上。

芯片平面圖類似於具有各種部件、板塊和獲勝條件的遊戲，因此可以用包含狀態、動作、狀態轉移、獎勵四個關鍵要素的強化學習方法，通過訓練一個智能體，用累計獎勵最大化，讓AI優化芯片佈局的能力持續增強。

從空芯片開始，谷歌團隊的系統按順序放置組件，直到實現一個完全佈局的網表。

為了指導系統選擇首先放置的組件，組件按降序由大到小排序；首先放置較大的組件會減少以後沒有可行放置的可能性。

▲隨著訓練進行，開源RISC-V處理器Ariane的宏位置。左邊是從零開始訓練的策略，右邊是針對這個芯片進行預訓練的策略。每個矩形代表一個單獨的宏位置。（圖源：谷歌）

訓練該系統需要創建一個包含10000個芯片佈局的數據集，其中輸入是與給定佈局相關的狀態，標籤是佈局的獎勵（即線長和擁塞）。

研究人員首先選擇了5個不同的芯片淨網表，並用AI算法為每個網表創建2000個不同的佈局位置。 Continue reading →

人工智能要多久才能理解動物？

如今，澳大拉西亞的一種蜜雀已經忘記瞭如何交流，其主要的棲息地也遭到了嚴重的破壞，數量正在急劇減少。更糟糕的是，還有一些倖存者，它們住得太分散了，成年男性無法教年輕一代如何為配偶唱歌、說自己的語言。

這種蜜雀的語言和歌曲是他們吸引伴侶的主要工具，但不幸的是，這種方式日漸消失，也就隨之造成了種群螺旋式下降的惡性循環。

另一方面，我們來看看人類。據統計，目前人類使用的語言總數約7,000種。在美國，約25%的人聲稱他們可以用第二語言交談，在歐洲，這個數字在60%左右浮動。在亞洲或非洲，雙語現象則更為普遍，因為當地語言和地方方言與（通常是多種）“官方”語言並存。

但是，在地球上還沒有發現能有人會和貓或狗說話，更不用說和上述蜜雀了。

不過我們需要知道，要去理解動物是一個難以破解的難題。

首先，至今困擾科學家的一個問題是，動物們有“語言”嗎？即使它們有語言系統，那除了生存的基本知識之外，它們需要說很多話嗎？多年來，隨著像《人魚童話》這類電視電影的出現，無一不顯示出人類對與能和動物交流一事有著多大的執念。

好消息是，在未來十年內，人工智能可能使人類有能力去理解動物，但不太好的消息是，這種設備可能不是你所期待的那樣。

“如果你要選擇人類的一個部分，這個部分是沒有其他任何動物能做到這樣好的一點，這就是溝通。”切斯特大學和安格利亞魯斯金大學的行為生態學家James Savage說到。簡而言之，說話是人類與野獸的區別，期望和動物進行對話其實是有點自相矛盾的。

這時候可能會有人舉出一些例子，比如海豚與飼養員的交談，或者黑猩猩用手語交談，但這並沒有反駁這個理論，反而只是加深了問題的複雜性。動物理解人類的語言，這件事似乎可以達到它們的認知能力的程度，反過來說，海豚或黑猩猩是一種不說話的魚。

第一個問題是決定動物語言可能是什麼樣子。“人類交流的一個決定性特徵是，它是連續的。我們有語言標記，就像單詞一樣，而且它們總是以一定的順序發生。” 計算語言學家Jussi Karlgren表示。

正如我們所希望的那樣，沒有理由建議一群海豚以與我們相同的方式進行交流。不僅是因為不同的發聲機制，還有他們的環境、集體需求，以及你知道的，完全缺乏人性。

不過這也不能怪我們。

一項對土撥鼠叫聲的長期研究表明，土撥鼠可以展示一些類似於詞彙的東西。在實驗中，科學家們在不同時間穿著不同顏色的襯衫接近它們，同時確定了它們的每次警報。土撥鼠基本上是在說“藍襯衫的女人回來了”，或者“這次是黃襯衫的人”。

早在2013年，這項實驗的首席研究員Con Slobodchikoff就告訴《大西洋月刊》，在他看來，他的受試者擁有“已被解碼的最複雜的動物語言”。

雖然這似乎開啟了動物存在“語言”的可能性，但也可能存在進化限制。動物也許能夠用聲音或“詞”來表示某事，但前提是它需要這樣做。土撥鼠可能不會費心去表達諸如他們的感受或他們的生活目標之類的事情。

“作為動物，你向另一隻動物傳達信息的原因是，這樣做是否對你有好處。”Savage說。

但是，如果存在一種天敵很少且認知能力高的動物呢，比如海豚？根據Savage的說法，有一些暗示表面，海豚之間可能有更多的事情要談論，“海豚有一個特別的地方，那就是它們的名字，因為海豚之間都會使用名字來稱呼彼此”。

這種現像也激發了Karlgren的想像力。在某種程度上，他計劃了一項詳細的實驗，將海豚的叫聲輸入人工智能，以期破譯它們。

求助於人工智能是有道理的。畢竟，人工智能已被證明在破譯古代人類語言方面非常有效。

那麼為什麼海豚會有所不同呢？答案需要回到“人類中心說”上來。溝通不僅僅是言語，還可以是語氣、時間、上下文、面部表情等等。現在，我們把這個系統置換到海豚身上，你就會明白為什麼整個事情會變得複雜。

但Karlgren對此感到樂觀。“希望是這樣的：如果我們收集大量的語料庫、大量的海豚哨聲，我們對它們進行分割”，而對於產生結果的大量數據，人工智能確實是我們唯一的希望.

Sav age對此表示同意。他說：“人類通常非常擅長識別他們熟悉的動物叫聲的聲學差異，”他補充說，“隨著基於人工智能的信號分類算法變得更加先進，人工智能很快就可以比人類做得更好”。

早期跡像是有希望的。2017年，科學家們能夠以大約90%的準確率識別出許多不同的狨猴叫聲。同年，另一個團隊能夠僅根據給羊的面部表情提供AI圖像來識別羊何時處於困境。將這兩個想法結合起來，可以更全面地了解動物可能想說什麼。

Savage和Karlgren都表示，在未來十年左右的時間裡，這項工程可以邁出大步。即使結果可能不是我們想要的動物式穀歌翻譯。

但我們還需要考慮一個問題，這是否符合任何人的利益。“採取這種方式的話，動物們必須以我們想要與它們互動的方式與彼此和其他人互動。” Savage說。

無論是在研究還是工業層面，人工智能很可能成為畜牧業的一種寶貴工具，但我們現在仍然可以利用我們現有的工具做一些重要的事情。

Savage以鴞鸚鵡為例，這是一種在新西蘭發現的大型、不會飛的鸚鵡。當需要交配時，鴞鸚鵡會挖一個小坑並發出隆隆的聲音，利用這種小坑來放大聲音。雌性會根據這種聲音來選擇配偶。但是當種群數量很少時，就只會有少數雄性能夠成功，基因庫變得有限。

Savage解釋了他們如何能夠讓最好的“嬰兒潮一代”退休，並將他們搬到另一個島上，那裡有許多少年男性居住。這使年輕一代可以向成功的男性學習，並自己成為熟練的嬰兒潮一代。

隨著幼崽的成熟，它們會被安置在雌性身邊，並能夠從它們新發現的語言能力中獲益。慢慢地，該物種可以在沒有遺傳限制風險的情況下恢復。現在，如果我們能告訴蜜雀這件事就好了。

如果人工智能最終兌現其承諾，也許有一天我們可以做到。