صمّم AI شريحة بقائمة انتظار كان يمكن أن تتضخم في الواقع إلى حجم قطعة أرض

كشف تحليل تصميم رقاقة تم إنشاؤه بواسطة الذكاء الاصطناعي عن شيء غير سار: كانت الدائرة تبدو معقولة في اختبار قصير، لكن عند أول زيادة في الحمل أصبح واضحاً أنها تحتوي على قرار معماري لا يمكن نقله إلى الأجهزة الحقيقية. تضرب هذه القصة الفكرة الشعبية بأن "لا تنظر إلى الكود، فقط قم بتشغيل الاختبارات" وتوضح لماذا يكون هذا النهج خطيراً بشكل خاص في الأجهزة.

حيث انكسرت المنطق

بدأت المشكلة بإدارة تدفق البيانات. بدلاً من تقييد أو توجيه أو رفض الصفقات بشكل صحيح وفقاً لقواعس الواجهة، أنشأ النموذج طابور داخلي ضخم. في الأساس، قررت عدم التعامل مع ديناميكيات التبادل وببساطة تخزين كل ما يأتي من الاختبار لاستخدامه لاحقاً. على مجموعة بيانات صغيرة، قد يبدو مثل هذا المخطط معقولاً: يوجد إدخال، يوجد إخراج، تمر الفحوصات الرسمية، لا توجد أخطاء واضحة على السطح. لكن هذا بالضبط حيث تختبئ فخ النهج التوليدي.

يقوم النموذج بتحسين النجاح المحلي في السيناريو المرصود، وليس قابلية التحقق من صحة التصميم من الناحية المادية. بالنسبة للبرامج هذا غير سار بالفعل، ولكن بالنسبة للإلكترونيات الرقمية يصبح تهديداً مباشراً: أي ذاكرة مؤقتة إضافية هي منطقة شريحة واستهلاك طاقة وتوقيت وتعقيد التوجيه. إذا لم يفهم الذكاء الاصطناعي قيود البيئة، فإنه يقدم بسهولة حلاً يعمل فقط على الورق أو في بيئة اختبار ضيقة.

لماذا لم تنقذ الاختبارات

في المثال الأصلي، احتوى الاختبار على حوالي 10 آلاف صفقة. طالما كان الحجم كذلك، بدا التصميم قابلاً للعمل. لكن كان كافياً فقط مضاعفة عدد الأحداث حتى تنهار الهيكل فوراً: امتلأ الطابور، فُقدت بعض البيانات، وتوقف نتيجة التحقق عن مطابقة نموذج الصفقة المكتوب يدوياً. أي أن الخلل لم يكن مختبئاً في زاوية غريبة ما في النظام — ظهر مع تغيير طفيف في الحجم، والذي لا يمكن حتى اعتباره اختبار إجهاد لمشروع حقيقي.

• احتفظ الذكاء الاصطناعي بجميع معاملات الاختبار داخل الدائرة
• أصبحت FIFO نقطة حرجة من الفشل تحت زيادة الحمل
• فقدان البيانات أفسد التحقق مقابل نموذج المرجع
• فشل التصميم "العامل" رسمياً في التحجيم البسيط

الاستنتاج الرئيسي هنا هو أن الاختبار بحد ذاته لا يضمن صحة المعمارية. إذا تحقق الاختبار من السلوك على حجم بيانات محدود، يمكن للنموذج أن يتكيف بدقة مع هذا النطاق ويخفي عيباً أساسياً. في الأجهزة، لا يكفي رؤية حالة خضراء لتشغيل الاختبار. تحتاج إلى فهم كيفية تصرف الدائرة على سلاسل طويلة، تحت الضغط العكسي، مع أحمال ذروة قصوى وفي الظروف التي يصبح فيها التخزين المؤقت غير الصحيح خطأ نظام فوراً.

تكلفة مثل هذا التصميم

يترجم المؤلف بقصد هذا الخطأ إلى عواقب مادية. إذا تم وضع كتلة مماثلة في جهاز يعمل بتردد جيجاهرتز، فيمكن لمئات المليارات أو حتى تريليونات المعاملات أن تمر عبره في دقائق معدودة. هذا يعني أن الطابور، الذي كان في الاختبار مجرد تجريد غير محظوظ، في السيليكون سيتطلب حجماً هائلاً من الذاكرة أو بحراً من D-triggers لـ FIFO القائمة على flip-flops. وهذا لم يعد مسألة كود جميل — إنها مسألة ما إذا كان يمكن حتى تصنيع رقاقة كهذه والاندراج ضمن ميزانية المساحة وتوفير الطاقة بدون خسائر مجنونة.

"إنها رقاقة بحجم قطعة أرض سكنية."

تعمل هذه المبالغة بالضبط لأنها شبه هندسية وليست أدبية. عندما يتسع الخطأ إلى التشغيل الفعلي للجهاز، يصبح العبث مرئياً. مئتا تريليون trigger لسيناريو واحد، كوادريليونات للحالة الأسوأ — هذه طريقة لإظهار الفجوة بسرعة بين وهم الاختبار والحس السليم الإنتاجي. يمكن للذكاء الاصطناعي أن ينتج RTL نحوياً دقيقاً، لكن بدون فهم الإنتاجية وسعة المخزن المؤقت والشروط الحدية، يظل هذا الكود مسودة خطرة وليس حلاً تصميماً.

ماذا يعني هذا

توضح هذه الحالة جيداً حدود فائدة الذكاء الاصطناعي التوليدي في الهندسة. يمكن للنموذج تسريع العمل الروتيني واقتراح قوالب ومساعدة في المسودات، لكن لا يمكن قبول مخرجاته بدون قراءة ومحاكاة والتحقق من الجدوى المادية. بالنسبة للفريق التي تعمل مع RTL والتحقق، القاعدة بسيطة: نجح في الاختبار لا يعني جاهز للسيليكون.