באוגוסט 2026 פורסמה בגיליון המודפס של כתב העת IEEE Transactions on Computer-Aided Design בדיקה מקיפה של AlphaChip, שיטת הבינה המלאכותית של גוגל למיקום בלוקים על שבב. החוקרים מ-UC San Diego השוו את השיטה לכלים קיימים על תכנונים ציבוריים, ומצאו שברוב המקרים שיטות ותיקות השיגו תוצאות טובות יותר. הפרסום מצטרף לשני צעדים נוספים מהחודשים האחרונים: בדיקה משלימה שהעביר הצוות לעורכי כתב העת בינואר 2026, והודעת חשש שפרסם ACM בפברואר 2026 על מאמר ביקורת אחר בנושא. המאמר מסכם מה נבדק, מה גוגל משיבה ומה עדיין פתוח.
מה AlphaChip עושה
AlphaChip עוסק בשלב שנקרא macro placement: מיקום של בלוקים גדולים, כמו זיכרונות SRAM, על שטח השבב לפני שממקמים את מיליוני התאים הסטנדרטיים הקטנים. השיטה מבוססת על למידת חיזוק (Reinforcement Learning): הסוכן מציב בלוק אחד בכל פעם על רשת, ובסוף מקבל ציון לפי פונקציית עלות מקורבת (proxy cost) שמשקללת אורך חיווט, צפיפות ועומס ניתוב. גוגל הציגה את השיטה ב-Nature ב-2021, ולפי המאמר היא אומנה מראש על 20 בלוקים של ה-TPU, מעבד ה-AI של החברה, ונבחנה על חמישה בלוקים נוספים. השם AlphaChip ניתן לה בספטמבר 2024.
מה נבדק במחקר שפורסם
צוות UC San Diego בראשות Chung-Kuan Cheng ו-Andrew Kahng שחזר את השיטה על סמך הקוד שגוגל פרסמה בשם Circuit Training, כולל הגרסה העדכנית שנקראת AlphaChip, והשווה אותה ל-Simulated Annealing, לכלי האקדמי RePlAce, לכלי המסחרי Concurrent Macro Placer של Cadence ולמיקום ידני. בחלק המרכזי של ההשוואות נמדדו התוצאות לאחר place-and-route בכלי מסחרי, כולל מדדי הספק, ביצועים ושטח. בתכנוני Ariane הציבוריים ב-7 ננומטר, שבהם חסר מידע הדרוש לזרימה מלאה, ההשוואה התבססה על מדדי wirelength ו-proxy cost.
לפי החוקרים, Simulated Annealing השיג תוצאות טובות יותר מ-AlphaChip גם כשהשיטה של גוגל אומנה מראש, הן במדדים שהיא ממטבת ישירות והן במדדי השבב הסופיים. בחלק מהמדדים, כמו תזמון בתכנונים מודרניים, AlphaChip הציג תוצאות טובות יותר, כך שהתמונה אינה חד-צדדית. בבדיקה המעודכנת מצאו החוקרים כי בתכנון Ariane ב-7 ננומטר התוצאות היו דומות עם ובלי מיקום התחלתי מכלי EDA מסחרי, בניגוד לממצא שלהם מ-2023. לדבריהם, תוצאות ה-Simulated Annealing שוחזרו על ידי אחד מסוקרי המאמר ועל ידי סטודנטים מ-Georgia Tech.
מה השתנה לעומת הבדיקה הקודמת
הצוות פרסם הערכה ראשונה כבר ב-2023. גוגל טענה אז שהבדיקה לא כללה אימון מקדים, השתמשה בפחות משאבי חישוב, לא אימנה עד התכנסות ונבחנה על תכנונים שאינם מייצגים שבבים מודרניים. בגרסה שפורסמה ב-IEEE TCAD הוסיפו החוקרים אימון מקדים לפי ההנחיות שגוגל פרסמה, הגדילו את מספר האיטרציות ובחנו גם תכנונים בתהליך 7 ננומטר, כולל גרסאות של תכנון שגוגל עצמה פרסמה. לדבריהם, המסקנות המקוריות אושרו. המאמר עבר ביקורת עמיתים, והנתונים והקוד שלו פתוחים לציבור.
מה גוגל משיבה
גוגל עומדת מאחורי העבודה. לפי Google DeepMind, פריסות שהפיקה השיטה שימשו בכל דור של ה-TPU מאז 2020. החוקרות הראשיות, Anna Goldie ו-Azalia Mirhoseini, הדגישו שהשבבים יוצרו בתהליך של פחות מ-10 ננומטר ופועלים בחוות השרתים של גוגל. בתגובה שפרסמו יחד עם Jeff Dean טענו שהמבקרים לא הריצו את השיטה כפי שתוארה, ושהביקורת עלולה להרתיע חוקרים מלעסוק בתחום.
הרקע: מחלוקת שנמשכת חמש שנים
- 2021: פרסום המאמר ב-Nature.
- 2022: מהנדס בגוגל שבדק את העבודה כתב ניתוח חלופי, פוטר והגיש תביעה שבה טען שהטענות על השיטה הטעו. גוגל הצהירה שהיא עומדת מאחורי התוצאות.
- ספטמבר 2023: Nature הוסיף למאמר הערת עורך שלפיה טענות הביצועים נבדקות, ומשך מאמר פרשנות שליווה אותו.
- ספטמבר 2024: פורסמה תוספת (Addendum) למאמר עם פרטים מתודולוגיים נוספים. באותו חודש Nature גם הסירה את הערת העורך מ-2023, לאחר שהודיעה כי הסוגיות שנבדקו בנוגע לטענות הביצועים נפתרו לשביעות רצונה.
- פברואר 2026: ACM פרסם הודעת חשש על מאמר ביקורת של Igor Markov, והמליץ שלא לצטט אותו עד לסיום בדיקה בנושא שקיפות הגילוי. לכן המאמר הנוכחי אינו מסתמך על תוכנו.
- אוגוסט 2026: המחקר של UC San Diego פורסם בגיליון המודפס של IEEE TCAD.
מה עדיין לא ניתן לאמת
הנתונים הפנימיים שעליהם התבססו השוואות ה-TPU המרכזיות במאמר המקורי אינם זמינים לציבור, ולכן לא ניתן לשחזר באופן עצמאי את ההשוואות המרכזיות שעליהן התבססו טענות הביצועים. הבדיקות של UC San Diego נעשו על תכנונים ציבוריים ולא על בלוקים של ה-TPU. השימוש בשיטה בשבבים שיוצרו מראה שהפריסות עובדות, אך לא בהכרח שהן טובות יותר מחלופות קיימות.
מה זה אומר למי שבוחן כלי AI לתכנון
בשנה האחרונה הכריזו יצרני כלי התכנון המובילים על סוכני AI לתכנון שבבים, מארזים ומעגלים מודפסים. המחלוקת סביב AlphaChip מדגימה אילו שאלות כדאי לשאול על כל טענה כזו:
- מדדי השוואה ציבוריים: האם התוצאות פורסמו על תכנונים שכל אחד יכול להריץ, או רק על תכנונים פנימיים.
- מדדים סופיים מול מקורבים: האם השיפור נמדד אחרי ניתוב מלא, או רק בפונקציית העלות שהכלי ממטב.
- קלט: האם הכלי נשען על תוצאות של כלי אחר, כמו מיקום התחלתי מכלי מסחרי.
- משאבים: כמה זמן חישוב ומעבדים נדרשו, בהשוואה לחלופות.
- שחזור עצמאי: האם גורם שאינו קשור לחברה הצליח לשחזר את התוצאות.
לסיכום
המחקר שפורסם ב-IEEE TCAD הוא הבדיקה המקיפה ביותר של AlphaChip שעברה ביקורת עמיתים, ומסקנתו היא שהשיטה לא עלתה באופן עקבי על שיטות קיימות. גוגל ממשיכה לעמוד מאחורי העבודה ומשתמשת בה בשבבים שלה. עד שיפורסמו נתונים שיאפשרו שחזור עצמאי מלא של ההשוואות המרכזיות על תכנוני ה-TPU, כדאי להתייחס לטענת העליונות כשאלה פתוחה.