ابزارهای هوش مصنوعی (AI) که برای انجام کارهای مختلف به کار گرفته می‌شوند، اکنون مهارت‌های تخصصی فراوانی را از خود نشان می‌دهند که تا همین چند ماه پیش غیرقابل تصور به نظر می‌رسید. هوش مصنوعی در حال بر عهده گرفتن بخشی از کارهای لازم برای طراحی تراشه‌هایی است که خودِ سیستم‌های هوش مصنوعی را تغذیه می‌کنند؛ فرآیندی که بسیار فراتر از بهینه‌سازی ساده است. اما این موضوع یک مشکل بالقوه پرهزینه به همراه دارد: چه اتفاقی می‌افتد اگر یک هوش مصنوعی طرحی را تولید کند که پتنت شخص دیگری را نقض کند و سپس این طرح در هزاران تراشه‌ای که از خطوط تولید خارج می‌شوند، قرار بگیرد؟ وب‌سایت تامز هاردور پرمیوم (Tom's Hardware Premium) برای کسب اطلاعات بیشتر درباره این مسئله نوظهور که می‌تواند به طور گسترده‌ای بازار طراحی تراشه‌های هوش مصنوعی را تحت تأثیر قرار دهد، با کارشناسانی مانند دومنک فورته (Domenec Forte)، استاد مهندسی برق و کامپیوتر در دانشگاه فلوریدا (University of Florida)، و سیمون مور (Simon Moore)، استاد مهندسی کامپیوتر در دانشگاه کمبریج (University of Cambridge)، گفتگو کرده است.
این هفته، شرکت سینوپسیس (Synopsys) مجموعه‌ای از ابزارهای ایجنت‌انجنیر (AgentEngineer) را معرفی کرد که قادر به انجام وظایف طولانی‌مدتی هستند که می‌توانند تراشه‌ها را تأیید و پیاده‌سازی کنند و همچنین به برنامه‌ریزی طراحی و ساخت آنالوگ بپردازند. این شرکت اعلام کرد که در حال حاضر بیش از ۵۰ تعامل با مشتریان در جریان دارد و برنامه‌ریزی کرده است تا این فناوری را تا پایان سال جاری برای عموم عرضه کند.
شرکت سینوپسیس در کشف توانایی هوش مصنوعی برای انجام چنین وظایفی تنها نیست. شرکت رقیب یعنی کاگنی‌چیپ (Cognichip) می‌گوید پلتفرم ای‌سی‌آی (ACI) آن می‌تواند مشخصات و آر‌تی‌ال (RTL) را تولید کند و سپس به طور خودکار برنامه‌های تأیید و تست‌بنچ‌ها را بسازد. در چین نیز، شرکت امپیرین تکنولوژی (Empyrean Technology) اخیراً ادعا کرد که یک ایجنت هوش مصنوعی توانسته زمان لازم برای تکمیل یک وظیفه چیدمان مدار را از چهار هفته به یک هفته کاهش دهد. حتی آزمایشگاه‌های بزرگ هوش مصنوعی نیز وارد این عرصه شده‌اند: اوپن ای‌آی (OpenAI) می‌گوید مدل‌های این شرکت به آن‌ها و شرکت برادکام (Broadcom) کمک کردند تا تراشه استنتاج اختصاصی خود به نام ژالاپنو (Jalapeño) را از طراحی اولیه تا مرحله ارسال برای ساخت (tape-out) تنها در عرض ۹ ماه توسعه دهند.
این وضعیت پرسش‌های دشواری را برای صنعت طراحی تراشه ایجاد می‌کند؛ و این پرسش‌ها تنها به این موضوع محدود نمی‌شود که آیا این بخش قوی باقی خواهد ماند یا خیر. مسئله این است که آیا هوش مصنوعی جایگزین مناسبی برای ابتکار عمل انسان است یا خیر. این صنعت به شدت به مالکیت معنوی وابسته است و هنوز مشخص نیست وقتی هوش مصنوعی چیزی را طراحی می‌کند که شخص دیگری قبلاً مالک آن بوده است، چه اتفاقی می‌افتد. شرکت‌ها به جای طراحی تک‌تک اجزای یک تراشه از صفر، به طور معمول به جای اختراع دوباره چرخ، معماری پردازنده‌ها، کنترلرها و سایر فناوری‌های حافظه را لایسنس می‌کنند. تنها شرکت آرم (Arm) در سال مالی ۲۰۲۶ خود نزدیک به ۵ میلیارد دلار درآمد کسب کرد که حدود نیمی از آن از طریق لایسنس و سایر درآمدها و نیمی دیگر از حق امتیاز (royalty) آن‌ها به دست آمد. شرکت سینوپسیس نیز از همین طریق درآمد کسب می‌کند و در کنار نرم‌افزار طراحی تراشه خود، سبد قابل توجهی از مالکیت‌های معنوی اثبات‌شده در سیلیکون را به فروش می‌رساند.
هوش مصنوعی تکالیف مرا کپی کرد
اما با به کارگیری هوش مصنوعی در این وظایف، ساخت برخی از این بلوک‌ها بسیار آسان‌تر می‌شود و ردیابی منشا آن‌ها بسیار دشوارتر می‌گردد. دومنک فورته (Domenec Forte)، استاد مهندسی برق و کامپیوتر در دانشگاه فلوریدا (University of Florida) که پژوهش‌هایش شامل ابزارهای طراحی تراشه مبتنی بر هوش مصنوعی و حفاظت از مالکیت معنوی نیمه‌هادی است، در نظرات کتبی خود به تامز هاردور پرمیوم (Tom’s Hardware Premium) گفت: «این موضوع عمدتاً مشکلات موجود را تشدید می‌کند. هوش مصنوعی می‌تواند یک طرح کپی‌شده یا پتنت نقض‌شده را پیش از اینکه کسی متوجه شود و حتی بدون اینکه کسی عمداً چنین کاری کرده باشد، در میان هزاران تراشه پخش کند.»
کپی کردن به اندازه تغذیه مستقیم یک هسته آرم (Arm) یا قطعه دیگری از آر‌تی‌ال (RTL) اختصاصی به درون یک مدل، آشکار نخواهد بود. در عوض، مهارت هوش مصنوعی در جذب حجم عظیمی از متون مقالات علمی و درخواست‌های ثبت اختراع و سپس ساخت طرح‌های مشابه است. و در فضایی که محدودیت‌های توان مصرفی، چالش‌های عملکردی و یک ناحیه فیزیکی محدود همگی با استانداردهای الزامی ترکیب می‌شوند، تنها تعداد محدودی طرح قابل اجرا وجود دارد که هوش مصنوعی می‌تواند سریع‌تر به آن‌ها دست یابد و ناخواسته تکالیف دیگران را کپی کند. فورته گفت: «حتی مداری که دو عدد را با هم جمع می‌کند، از یک مجموعه خوب مستند شده از طرح‌های کتاب درسی سرچشمه می‌گیرد. اگر سریع‌ترین آن‌ها را بخاحید، احتمالاً به طرحی می‌رسید که شخص دیگری قبلاً منتشر کرده است.»
این امر یک مشکل منشا (provenance) برای تراشه‌ها ایجاد می‌کند، زیرا مهندسان انسانی معمولاً مستندسازی می‌کنند و می‌توانند توضیح دهند که ایده‌هایشان از کجا آمده و کدام مالکیت معنوی لایسنس شده است. هوش مصنوعی ممکن است همان قابلیت ردیابی را نداشته باشد. فورته گفت که ابزارهای موجود می‌توانند کپی‌های نزدیک را شناسایی کنند، اما طرح‌ها را می‌توان بازنویسی کرد یا از طریق ابزارهای سنتز اجرا نمود که پیاده‌سازی آن‌ها را تغییر می‌دهند در حالی که عملکرد زیرین دست‌نخورده باقی می‌ماند.
فورته پیشنهاد می‌کند که دارندگان مالکیت معنوی در نهایت می‌توانند نسخه‌های رمزنگاری‌شده از طرح‌های خود را در یک مخزن مشترک قرار دهند و به ایجنت‌های مورد اعتماد اجازه دهند بدون افشای طرح‌های اصلی، بررسی کنند که آیا سخت‌افزار تازه تولید شده با مالکیت معنوی موجود تداخل دارد یا خیر. او چندان متقاعد نشده است که استفاده از واترمارک راه‌حل مناسبی باشد و استدلال می‌کند که واترمارک‌ها را می‌توان حذف یا جعل کرد. استانداردهای بین‌المللی می‌توانند تا حدی کمک کنند: استاندارد آی‌ئی‌ئی‌ئی ۱۷۳۵ (IEEE 1735) روش‌هایی را برای رمزنگاری مالکیت معنوی طراحی الکترونیکی و مدیریت حقوق مرتبط با آن تعریف می‌کند. اما فورته استدلال می‌کند که استانداردهایی مانند آن اکنون ممکن است نیاز داشته باشند فراتر رفته و مشخص کنند که ایجنت‌های هوش مصنوعی مجاز به دسترسی، نگهداری و یادگیری چه مواردی در هنگام فعالیت در داخل ابزارهای اتوماسیون طراحی الکترونیکی (EDA) هستند.
احتیاط فراوان
همه این‌ها ممکن است نشان دهنده این باشد که وقتی صحبت از طراحی تراشه‌های جدید توسط هوش مصنوعی و به طور بالقوه سوءاستفاده عمدی یا غیرعمدی از سایر طرح‌ها به میان می‌آید، یک وضعیت کاملاً آزاد وجود دارد. اما به یک دلیل ساده، اینطور نیست. صنعت نیمه‌هادی به طور غیرعادی در مورد تکنیک‌های طراحی جدید احتیاط می‌کند زیرا نرم‌افزار را می‌توان پچ کرد، در حالی که سیلیکون ساخته شده را نمی‌توان تغییر داد. سیمون مور (Simon Moore)، استاد مهندسی کامپیوتر در دانشگاه کمبریج (University of Cambridge)، در مصاحبه با تامز هاردور پرمیوم (Tom’s Hardware Premium) گفت: «هنگامی که تراشه را ارسال می‌کنید، تراشه را ارسال کرده‌اید و نمی‌توانید ترانزیستورها را تغییر دهید.»
مور تخمین می‌زند که تأیید و اعتبارسنجی (verification) در حال حاضر بیش از نیمی از تلاش‌های مربوط به آماده‌سازی و عرضه بسیاری از تراشه‌ها را به خود اختصاص داده است، در حالی که ابزارهای تأیید تثبیت‌شده می‌توانند به مهندسان بگویند که آیا یک تست تولید شده توسط هوش مصنوعی واقعاً پوشش تست را بهبود می‌بخشد یا خیر. مور گفت وادار کردن هوش مصنوعی به انجام آزمایش‌ها، بررسی نقاط شکست احتمالی و بررسی نتایج در مقیاس بزرگ، «کار چندان پیچیده‌ای نیست». با این حال، اجازه دادن به هوش مصنوعی برای اتخاذ تصمیمات معماری، که لغو آن‌ها بسیار دشوارتر است، مرزی است که بیشتر تولیدکنندگان در حال تعیین آن هستند.
همین احتیاط توضیح می‌دهد که چرا مالکیت معنوی لایسنس شده ممکن است از هجوم محتوای تولید شده توسط هوش مصنوعی جان سالم به در ببرد، حتی اگر این فناوری قادر به تولید بلوک‌های از نظر فنی مشابه باشد. خرید یک بلوک از شرکت آرم (Arm)، سینوپسیس (Synopsys) یا یکی دیگر از وندارهای شناخته شده، با سابقه این شرکت‌ها و این تضمین همراه است که بررسی‌های مربوط به تأیید و انطباق با استانداردها روی آن انجام شده است.
بنابراین آیا هوش مصنوعی می‌تواند اتکا به مالکیت معنوی لایسنس شده را کاهش دهد؟ فورته پاسخ داد: «برای بلوک‌های ساختمانی روتین، احتمالاً بله. اما یک بلوک مالکیت معنوی لایسنس شده بسیار بیشتر از فایل‌های طراحی آن است.»
و اگر مهندسان به‌طور فزاینده‌ای مجبور شوند نه تنها بپرسند که آیا یک طرح کار می‌کند، بلکه بپرسند از کجا آمده و آیا شخص دیگری از قبل بخشی از آن را مالک است یا خیر، منشا و اصالت ممکن است به چیزی تبدیل شود که شرکت‌های نیمه‌هادی بسیار بیشتر تمایل داشته باشند برای آن هزینه پرداخت کنند. فورته گفت: «من با یک طراح هوش مصنوعی مانند یک استخدام جدید درخشان رفتار می‌کنم. سریع و بااستعداد، اما هر چیزی که تولید می‌کند بررسی می‌شود.»
منبع: tomshardware.com