Στο συνέδριο, οι απόψεις επιβεβαίωσαν ότι η Τεχνητή Νοημοσύνη και οι ημιαγωγοί αποτελούν επί του παρόντος τους πυλώνες για το μέλλον της ψηφιακής οικονομίας . Συγκεκριμένα, τα δύο στοιχεία, «Τεχνητή Νοημοσύνη» και «ημιαγωγός», πάνε χέρι-χέρι. Προφανέστερα, η ΤΝ βοηθά στην αυτοματοποίηση της διαδικασίας κατασκευής ημιαγωγών, στην πρόβλεψη και ανίχνευση ελαττωμάτων προϊόντων, στη βελτίωση της ποιότητας και της αποδοτικότητας της παραγωγής.
Ο κ. Christopher Nguyen - Διευθύνων Σύμβουλος της Aitomatic έδωσε ένα παράδειγμα: έως το 2030, ορισμένες μονάδες παραγωγής, ιδίως οι προηγμένες εγκαταστάσεις παραγωγής, θα απαιτούν αυστηρότερα πρότυπα. Για παράδειγμα, στη διαδικασία επεξεργασίας πλάσματος, πρέπει να διασφαλίζονται παράμετροι όπως η διάμετρος του καυσίμου, η πίεση, η θερμοκρασία και δεκάδες άλλοι παράγοντες για να εξασφαλίζεται σχεδόν απόλυτη ακρίβεια. Η τεχνητή νοημοσύνη θα συμβάλει στη διασφάλιση αυτής της ακρίβειας.
«Η Τεχνητή Νοημοσύνη δεν μπορεί να αναπτυχθεί χωρίς ημιαγωγούς και, αντίστροφα, η βιομηχανία ημιαγωγών αλλάζει ραγδαία χάρη στις εξελίξεις στην Τεχνητή Νοημοσύνη. Είναι μια συμβιωτική σχέση όπου και οι δύο ωθούν ο ένας τον άλλον προς τα εμπρός», είπε.
![]() |
Ο κ. Christopher Nguyen - Διευθύνων Σύμβουλος της Aitomatic μίλησε στο Workshop. |
Όσον αφορά τη γενική τεχνολογική εικόνα, ο κ. Christopher Nguyen επικαλέστηκε τον νόμο του Moore, επιβεβαιώνοντας ότι η ταχύτητα ανάπτυξης της Τεχνητής Νοημοσύνης και των ημιαγωγών είναι πολύ γρήγορη. Κάθε 18 μήνες, η τεχνολογία μικροεπεξεργαστών παρουσιάζει σημαντικές βελτιώσεις.
Όσον αφορά την αγορά, ο κόσμος βιώνει αξιοσημείωτη ανάπτυξη, με τη ζήτηση για τσιπ επεξεργασίας τεχνητής νοημοσύνης να αναμένεται να συνεχίσει να αυξάνεται απότομα τα επόμενα χρόνια. Χώρες όπως οι ΗΠΑ, η Κίνα, η Ιαπωνία και η Νότια Κορέα εντείνουν τις επενδύσεις σε αυτόν τον τομέα. Ο ανταγωνισμός μεταξύ των κορυφαίων χωρών στην τεχνολογία είναι εξαιρετικά σκληρός.
Στον τομέα της κατασκευής τσιπ, η κα Άννα Γκόλντι - Ανώτερη Ερευνήτρια στην Google - σχολίασε ότι ενώ οι ανάγκες της Τεχνητής Νοημοσύνης σε υπολογιστές αυξάνονται εκθετικά, οι δυνατότητες υλικού δεν συμβαδίζουν, δημιουργώντας ένα αυξανόμενο κενό. Για την επίλυση αυτού του προβλήματος, έχουν εισαχθεί νέες τεχνολογίες Τεχνητής Νοημοσύνης όπως το AlphaChip - μια μέθοδος σχεδιασμού τσιπ Τεχνητής Νοημοσύνης. Είπε ότι χάρη στην εφαρμογή της Τεχνητής Νοημοσύνης, η διαδικασία σχεδιασμού τσιπ επιταχύνεται απίστευτα, ενώ παράλληλα συμβάλλει στη μείωση του κόστους και στη βελτιστοποίηση της απόδοσης.
«Για να αξιοποιήσουμε πλήρως τις δυνατότητες της Τεχνητής Νοημοσύνης, πρέπει να συντομεύσουμε τους κύκλους σχεδιασμού τσιπ, να βελτιώσουμε τους αλγόριθμους και να αξιοποιήσουμε στο έπακρο τα δεδομένα. Στο μέλλον, η Τεχνητή Νοημοσύνη όχι μόνο θα βοηθήσει στη βελτίωση του υλικού, αλλά θα συμβάλει και στη διαμόρφωση καινοτομιών σε πολλούς άλλους τομείς, από την υγειονομική περίθαλψη, τα χρηματοοικονομικά έως τη βιομηχανική κατασκευή», δήλωσε η κα Άννα Γκόλντι.
Συγκεκριμένα, η κα Άννα Γκόλντι παρουσίασε τη μέθοδο AlphaChip που χρησιμοποιεί την Τεχνητή Νοημοσύνη (AI) για τη βελτιστοποίηση της διάταξης των εξαρτημάτων στο τσιπ, συμβάλλοντας στη μείωση της καθυστέρησης, στην εξοικονόμηση ενέργειας και στη βελτιστοποίηση του χώρου παραγωγής. Η Τεχνητή Νοημοσύνη μπορεί να βελτιώσει τη διαδικασία σχεδιασμού του τσιπ μειώνοντας τον χρόνο και βελτιώνοντας την απόδοση του προϊόντος. Το AlphaChip έχει εφαρμοστεί στις πρόσφατες γενιές TPU της Google, προσφέροντας σημαντική απόδοση σε σύγκριση με τις παραδοσιακές μεθόδους σχεδιασμού.
Εν τω μεταξύ, ο κ. Tran Thanh Long - Καθηγητής στο Πανεπιστήμιο Warwick - μοιράστηκε περισσότερα για τις προσπάθειες σε όλο τον κόσμο που συμβάλλουν στην αύξηση της ισχύος της Τεχνητής Νοημοσύνης και της τεχνολογίας ημιαγωγών. Για παράδειγμα, ανέφερε πώς να χρησιμοποιηθούν οι αποθήκες μνήμης και η Μπεϋζιανή θεωρία για τη βελτίωση της απόδοσης και της επεκτασιμότητας της τεχνητής νοημοσύνης (ΤΝ). Οι αποθήκες μνήμης βοηθούν την ΤΝ να θυμάται πληροφορίες για μεγάλο χρονικό διάστημα και να χρησιμοποιεί δεδομένα του παρελθόντος για τη βελτιστοποίηση των αποφάσεων.
«Η Μπεϋζιανή θεωρία βοηθά την Τεχνητή Νοημοσύνη να προσαρμόζει τις πιθανότητες πρόβλεψής της με βάση νέα δεδομένα, βοηθώντας το σύστημα να μαθαίνει πιο γρήγορα και αποτελεσματικά. Αυτός ο συνδυασμός μειώνει την απαίτηση για υπολογιστικούς πόρους, εξασφαλίζοντας παράλληλα υψηλή ακρίβεια», δήλωσε ο κ. Λονγκ.
Επιπλέον, αυτή η προσέγγιση βοηθά την Τεχνητή Νοημοσύνη να λειτουργεί πιο ομαλά σε τομείς όπως η υγειονομική περίθαλψη, η βιομηχανική παραγωγή και ο αυτοματισμός. Συγκεκριμένα, η Τεχνητή Νοημοσύνη μπορεί να επεξεργάζεται δεδομένα καλύτερα χωρίς να βασίζεται υπερβολικά σε μεγάλα κέντρα δεδομένων, εξοικονομώντας κόστος και πόρους. Ως αποτέλεσμα, τα συστήματα είναι πιο έξυπνα, πιο αποτελεσματικά και αυτορυθμιζόμενα χωρίς να χρειάζονται τεράστιες ποσότητες δεδομένων.
Η κα Ngan Vu από την Google DeepMind παρουσιάζει μια ερευνητική κατεύθυνση που προτείνει τη χρήση Νευρωνικών Δικτύων Κυκλωμάτων για τη δημιουργία αποτελεσματικών σχεδίων λογικών κυκλωμάτων. Εφαρμόζοντας αλγόριθμους προσομοίωσης ανόπτησης και άλλες τεχνικές βελτιστοποίησης, η ομάδα των ειδικών της στοχεύει στη συντόμευση του κύκλου σχεδιασμού κυκλωμάτων από την ιδέα στο πραγματικό προϊόν.
Μία από τις σημαντικότερες προκλήσεις είναι η εξισορρόπηση της ακρίβειας και της απόδοσης των κυκλωμάτων, διασφαλίζοντας ότι τα σχέδια όχι μόνο λειτουργούν με ακρίβεια αλλά και εξοικονομούν πόρους. Ωστόσο, εάν το χάσμα μεταξύ λογισμικού και υλικού Τεχνητής Νοημοσύνης μπορεί να μειωθεί, θα ανοίξουν πολλές νέες ευκαιρίες στη βιομηχανία ημιαγωγών. «Η εφαρμογή της Τεχνητής Νοημοσύνης στο σχεδιασμό κυκλωμάτων υπόσχεται να αλλάξει τον τρόπο λειτουργίας της βιομηχανίας ημιαγωγών, συμβάλλοντας στην επιτάχυνση της διαδικασίας ανάπτυξης και στην επίτευξη πιο βέλτιστων σχεδίων», δήλωσε η κα Ngan Vu.
Σχόλιο (0)