IBM Uji Ejen AI untuk Reka Bentuk Cip: Menilai Prestasi Bersama Kos

Pada 13 Oktober 2026, IBM Research melaporkan demonstrasi ejen AI untuk mengoptimumkan reka bentuk perkakasan. Tumpuannya ialah hubungan antara prestasi yang dicapai, kos menjalankan model dan pengesahan hasil.

Ejen menyusun eksperimen reka bentuk

Menurut IBM, sistem ini menggunakan ejen penyelaras untuk mengagihkan cadangan pengoptimuman kepada empat ejen pekerja. Perubahan kemudian diperiksa dan dinilai menggunakan sintesis aras tinggi, atau HLS. Hasil penilaian menjadi maklum balas bagi pusingan seterusnya.

Demonstrasi tersebut menyasarkan Relay-BP, algoritma penyahkodan untuk pembetulan ralat kuantum. Bahagian yang dioptimumkan ialah perkakasan pengkomputeran klasik yang menyokong proses itu. Setiap konfigurasi diberikan bajet penerokaan sebanyak 100 hipotesis, membolehkan penyelidik membandingkan hasil dalam had carian yang sama.

Sumber: Making AI-driven chip design affordable with open agent factories and distributed inference at scale.

Kos lebih rendah datang dengan pertukaran prestasi

Kertas penyelidikan melaporkan bahawa konfigurasi model berwajaran terbuka mencapai peningkatan kelajuan 52 kali berbanding reka bentuk asas, berdasarkan anggaran HLS. Anggaran kos inferensnya sekitar AS$26. Konfigurasi proprietari pula mencapai peningkatan 204 kali dengan kos sekitar AS$299.

Angka tersebut menunjukkan dua pilihan dengan hasil berbeza: konfigurasi terbuka lebih murah dalam eksperimen ini, manakala konfigurasi proprietari menghasilkan anggaran kependaman lebih rendah. Ini bukan perbandingan harga untuk memperoleh cip siap. Apabila bajet carian konfigurasi terbuka digandakan kepada 200 hipotesis, peningkatannya menjadi 60 kali, memperlihatkan bahawa tambahan percubaan tidak menghasilkan pertambahan prestasi yang seimbang.

Sumber: Highly Cost-Efficient Agent Factories for High Level Synthesis: Design Space Exploration for Quantum Error Correction Chip with Open Frontier Models and Distributed Inference at Scale.

Batas yang perlu dibaca bersama keputusan

IBM menjelaskan bahawa setiap konfigurasi dinilai melalui satu larian carian. Hasilnya tidak menetapkan kedudukan sejagat antara model. Kos yang dilaporkan meliputi inferens model, bukannya keseluruhan pembangunan perkakasan. Anggaran HLS juga tidak boleh dianggap sebagai ukuran prestasi cip fizikal yang sudah dihasilkan.

Tafsiran editorial kami: keputusan ini wajar dijadikan alasan untuk menjalankan percubaan terkawal. Ia belum memadai sebagai asas menetapkan bajet projek sebenar atau menjanjikan kadar peningkatan yang sama kepada pelanggan.

Sumber: Making AI-driven chip design affordable with open agent factories and distributed inference at scale.

Infrastruktur turut menentukan kecekapan AI

Dalam penerangan berasingan bertarikh 12 Oktober, IBM menghuraikan inferens teragih: penyelarasan permintaan antara beberapa pelayan model. Rangka kerja llm-d boleh mengambil kira cache dan keadaan pelayan apabila menentukan destinasi permintaan.

Cache membolehkan sebahagian pengiraan bagi awalan input yang sama digunakan semula. Ini berkaitan dengan aliran kerja ejen yang berulang kali memproses arahan, kod dan sejarah tugasan. IBM turut menerangkan pemisahan pemprosesan input daripada penjanaan token supaya sumber bagi kedua-dua fasa boleh dilaraskan secara berasingan.

Sebagai analogi editorial, bayangkan beberapa meja kerja yang berkongsi tugasan: menghantar bahan kepada meja yang sudah menyediakan sebahagiannya boleh mengurangkan kerja berulang. Namun, meja itu masih perlu mempunyai kapasiti untuk menerima tugasan.

Sumber: How distributed inference keeps large AI models moving.

Cadangan editorial untuk pembaca Malaysia

Bagi pelajar sains komputer atau kejuruteraan elektronik di Malaysia, kami mencadangkan perkembangan ini dijadikan latihan menghubungkan algoritma, ujian dan penggunaan sumber. Pilih satu masalah kecil yang hasil betulnya boleh ditentukan terlebih dahulu. Matlamat pembelajaran ialah membuktikan mengapa sesuatu perubahan membantu, kemudian menjelaskan kos dan kelemahannya.

Sebagai contoh latihan rekaan, kumpulan pelajar boleh membandingkan beberapa cara memproses matriks kecil. Seorang menyediakan pelaksanaan rujukan, seorang membina ujian, dan seorang merekod masa serta penggunaan memori. Jika AI digunakan untuk mencadangkan perubahan, setiap cadangan perlu melalui ujian yang sama. Jangan ubah ukuran kejayaan selepas melihat keputusan.

Untuk pembentangan portfolio, sediakan penerangan ringkas tentang andaian, keputusan yang gagal dan sebab versi akhir dipilih. Kami menyarankan supaya laporan menunjukkan pertimbangan teknikal tersebut, selain memaparkan angka kelajuan. Pendekatan ini boleh dilakukan sebagai latihan perisian tanpa mendakwa telah mereka cip fizikal.

Cadangan editorial untuk percubaan dalam pasukan

Bagi pasukan pembangunan tempatan yang mahu menguji pendekatan serupa, mulakan dengan komponen dalaman yang kecil dan data sintetik. Tetapkan had masa, bilangan percubaan dan perbelanjaan sebelum ejen dijalankan. Pastikan seorang penyemak bertanggungjawab menerima atau menolak perubahan berdasarkan kriteria yang ditulis lebih awal.

Rekodkan kos secara berasingan: penggunaan model, mesin ujian, masa semakan dan kerja membaiki cadangan yang gagal. Jika invois menggunakan dolar AS, nyatakan kadar pertukaran serta tarikhnya apabila menyediakan anggaran dalam ringgit. Elakkan menggunakan kos demonstrasi IBM sebagai sebut harga untuk persekitaran sendiri.

Kami juga mencadangkan satu syarat berhenti: tamatkan eksperimen apabila tambahan percubaan tidak lagi membawa manfaat yang munasabah. Pada penghujung percubaan, hasil yang berguna boleh berupa perubahan kecil yang disahkan, atau bukti bahawa pendekatan tersebut belum sesuai untuk komponen pilihan pasukan.

Rujukan

• Making AI-driven chip design affordable with open agent factories and distributed inference at scale — 2026-10-13
• How distributed inference keeps large AI models moving — 2026-10-12
• Highly Cost-Efficient Agent Factories for High Level Synthesis: Design Space Exploration for Quantum Error Correction Chip with Open Frontier Models and Distributed Inference at Scale

Disediakan secara automatik dengan bantuan AI berdasarkan sumber yang dipautkan. Semakan sumber: 2026-10-19. Gambar utama ialah ilustrasi janaan AI, bukan foto peristiwa sebenar.