De oprichters van Ricursive Intelligence stellen dat slimmer chipontwerp door kunstmatige intelligentie kan helpen bij het groeiende tekort aan rekenkracht. Op TechCrunch Disrupt legden Anna Goldie en Azalia Mirhoseini uit hoe hun systeem chips ontwerpt, leert van elke versie en zo betere ontwerpen voortbrengt — met als doel het hele ontwerpproces te automatiseren en te versnellen.

Waarom is er een rekentekort?

Goldie waarschuwt dat de vraag naar rekenkracht de komende jaren explosief groeit. Volgens haar kan die vraag in vijf jaar tijd minstens tienduizend keer groter worden. Dat betekent niet dat er tienduizend keer meer datacenters gebouwd moeten worden. Dat is niet praktisch en niet duurzaam.

In plaats daarvan pleiten de oprichters voor slimmere chips. Chips die zuiniger omgaan met bandbreedte in datacenters. Chips die efficiënter gebruikmaken van siliciumplaten en chipfabrieken. Efficiëntere hardware kan veel extra vraag opvangen zonder dat overal nieuwe grote gebouwen nodig zijn.

Hoe werkt het AI-ontwerp van Ricursive?

Ricursive zet kunstmatige intelligentie in om hele chips tegelijk te optimaliseren. Traditioneel worden chips opgedeeld in tientallen kleine blokken. Elk blok wordt apart ontworpen en later samengevoegd. Volgens Ricursive beperkt die werkwijze de mogelijkheden.

Met AI kunnen grotere, complexere patronen ontstaan. Het systeem genereert een ontwerp, test het, leert van de uitkomst en past het volgende ontwerp aan. Op die manier worden versies steeds efficiënter. De oprichters noemen dat een proces van herhaling en verbetering: de AI leert van elke iteratie en gebruikt die kennis voor de volgende stap.

Goldie benadrukte dat als de uitvoering van ontwerpen door AI gebeurt, mensen zich kunnen richten op ideeën en nieuwe toepassingen. Mensen brengen creativiteit en inzicht, de AI helpt met het daadwerkelijke bouwen en optimaliseren van het ontwerp.

Een onverwacht voorbeeld: het donut-ontwerp

Ricursive werkte eerder aan een systeem dat ze AlphaChip noemen. Dat systeem kwam met een ongebruikelijke indeling: een cirkelvormige, bijna donutachtige rangschikking van componenten. Aanvankelijk verbaasde dat ingenieurs, omdat het afweek van traditionele, rechthoekige patronen.

Toch bleek het ontwerp te werken. Dit laat zien dat AI soms oplossingen vindt die mensen niet bedenken, omdat het alternatieve manieren onderzoekt zonder vast te houden aan de gebruikelijke aannames.

Ricursive zegt ook dat AI patronen kan creëren die aan golven doen denken of andere ingewikkelde vormen. Ze willen daar in de toekomst meer over laten zien.

Wat betekent dit voor toepassingen en kosten?

Een belangrijk voordeel van sneller ontwerp is dat er veel meer maatwerk mogelijk wordt. Nu kost het vaak maanden of jaren om een nieuwe chip te ontwerpen. Daardoor moet je heel selectief zijn: een ontwerp moet groot genoeg zijn om de ontwikkelkosten terug te verdienen.

Volgens de oprichters verandert dat als ontwerpen veel sneller kunnen. Stel dat een chip in een week ontworpen kan worden in plaats van in twee jaar. Dan wordt het financieel haalbaar om voor veel verschillende toepassingen speciale chips te maken. Denk aan apparaten voor de ruimtevaart, slimme brillen voor augmented reality (AR), apparaten voor virtual reality (VR) of zelfs nieuwe vormen van biocomputing.

Sneller en gerichter ontwerpen kan ook energie besparen. Een chip die precies is afgestemd op één taak gebruikt vaak minder energie dan een algemene chip die alles moet kunnen.

Mogelijke zorgen en perspectief

Het idee dat AI chips ontwerpt voelt voor sommigen misschien onwennig. Goldie benadrukt dat AI niet mensen vervangt, maar mensen vrijmaakt om nieuwe toepassingen te bedenken. De rol van de ingenieur verschuift van handmatig ontwerpen naar het bedenken van wat mogelijk moet zijn en het beoordelen van resultaten.

Daarnaast kan het automatiseren van ontwerpprocessen leiden tot innovatieve layouts die traditionele methodes overtreffen. Dat kan nieuwe producten en marktsegmenten openen die eerder onhaalbaar waren vanwege tijd of kosten.

Conclusie

Ricursive Intelligence zet in op kunstmatige intelligentie om het ontwerpen van chips sneller en efficiënter te maken. Door hele chips tegelijk te optimaliseren en te leren van elke iteratie ontstaan nieuwe, soms onverwachte ontwerpen. Als dergelijke methodes wijdverbreid worden, kan dat helpen om de sterke groei in vraag naar rekenkracht op te vangen — zonder dat daarvoor overal enorme hoeveelheden nieuwe datacenters nodig zijn.