Google DeepMind 表示，其人工智慧已幫助設計晶片，這些晶片已用於資料中心甚至智慧型手機。但一些晶片設計專家對該公司的說法表示懷疑，即這種人工智慧可以比人類更好地規劃新的晶片佈局。

Google DeepMind 的研究人員 Anna Goldie 和 Azalia Mirhoseini 在部落格文章中表示，新命名的 AlphaChip 方法可以在數小時內設計出“超人晶片佈局”，而不是依賴數週或數月的人工努力。這種人工智慧方法使用強化學習來找出晶片組件之間的關係，並根據最終佈局品質獲得獎勵。但獨立研究人員表示，該公司尚未證明此類人工智慧能夠勝過專業的人類晶片設計師或商業軟體工具，他們希望看到 AlphaChip 在涉及當前最先進電路設計的公共基準上的表現。

「如果Google能夠提供這些設計的實驗結果，我們就可以進行公平的比較，我希望每個人都會接受這些結果，」紐約賓厄姆頓大學的帕特里克·馬登說。 “這些實驗最多需要一兩天的時間，而谷歌擁有近乎無限的資源——這些結果尚未提供對我來說意義重大。”

Google DeepMind 的部落格文章附帶了 Google 2021 年更新 自然 關於公司人工智慧流程的期刊論文。 Google DeepMind 表示，從那時起，AlphaChip 已經幫助設計了三代谷歌張量處理單元 (TPU)，這是一種專門的晶片，用於訓練和運行 Google Gemini 聊天機器人等服務的生成式人工智慧模型。

該公司還聲稱，人工智慧輔助晶片設計的性能優於人類專家設計的晶片，並且一直在穩步改進。人工智慧透過減少連接晶片組件所需的電線總長度來實現這一目標，這一因素可以降低晶片功耗並有可能提高處理速度。 Google DeepMind 表示，AlphaChip 已經為Google資料中心使用的通用晶片創建了佈局，並幫助聯發科公司開發了三星手機使用的晶片。

但競爭對手公司的晶片設計研究員伊戈爾·馬爾科夫表示，谷歌公開發布的程式碼缺乏對常見行業晶片數據格式的支持，這表明人工智慧方法目前更適合谷歌的專有晶片。 「我們現在真的不知道 AlphaChip 是什麼，它能做什麼，不能做什麼，」他說。 「我們確實知道，強化學習比商業工具中使用的方法需要多兩到三個數量級的計算資源，並且通常落後於商業工具中使用的方法。 [in terms of] 結果。

馬可夫和馬登批評了 原始論文的主張 關於 AlphaChip 的表現優於未透露姓名的人類專家。 「與未命名的人類設計師的比較是主觀的，不可重複，而且很容易被操縱。人類設計師可能付出的努力不夠，或者資質較差——這裡沒有科學結果，」馬爾科夫說。 “想像一下，如果 AlphaGo 報告戰勝了未透露姓名的圍棋選手。” Google DeepMind 發言人將這些專家描述為Google TPU 晶片設計團隊的成員，他們使用現有的最佳商業工具。

2023 年，一位審查 Google 論文的獨立專家撤回了他的觀點 自然 評論文章最初讚揚了谷歌的工作，但也敦促複製。這位專家，加州大學聖地亞哥分校的安德魯·卡恩（Andrew Kahng）也進行了一項公開基準測試，試圖複製谷歌的人工智能方法，但發現它的表現並不總是優於人類專家或傳統計算機演算法.用於比較的性能最佳的方法是來自 Cadence 和 NVIDIA 等公司的商業軟體或用於晶片設計的內部研究工具。在 2023 年的一份聲明中， Goldie 和 Mirhoseini 對 Kahng 的基準測試結果提出異議。他們表示，他的測試並未針對特定晶片設計（這是影響其性能的關鍵因素）對人工智慧方法進行預訓練，並且比 Google DeepMind 團隊依賴的「計算資源少得多」來訓練人工智慧。

「在我認為公平比較的每一個基準上，強化學習似乎都遠遠落後於最先進的技術，」Madden 說。 “對於電路佈局，我不認為這是一個有前途的研究方向。”