هوش مصنوعی در AMD
شرکت Advanced Micro Devices (AMD) پردازنده‌ها و دیگر محصولات نیمه‌رسانا را طراحی می‌کند که در مراکز داده، رایانه‌های شخصی، سیستم‌های بازی و دستگاه‌های تعبیه‌شده استفاده می‌شوند. محصولات این شرکت همچنین نیازهای پردازشی برنامه‌های هوش مصنوعی را پشتیبانی می‌کنند.
این شرکت در گزارش سالانه ۲۰۲۵ خود درآمد ۳۴.۶ میلیارد دلاری را اعلام کرد که ۱۶.۶ میلیارد دلار آن مربوط به بخش مراکز داده بود؛ رقمی که نسبت به سال ۲۰۲۴، ۳۲ درصد افزایش داشته است.
سرمایه‌گذاری AMD در راهبرد هوش مصنوعی خود شامل گسترش نیروی انسانی و جذب تخصص‌های ویژه است. هزینه‌های تحقیق و توسعه این شرکت در سال ۲۰۲۵ با افزایش ۲۵ درصدی به ۸.۱ میلیارد دلار رسید. AMD اعلام کرد که بخش عمده این افزایش به هزینه‌های مرتبط با کارکنان مربوط می‌شود، زیرا تعداد نیروهای خود را برای پشتیبانی از این راهبرد افزایش داده است.
این شرکت همچنین اعلام کرده است که تیم‌هایی با تخصص در کامپایلرهای نرم‌افزاری، یادگیری ماشین، فوتونیک و استنتاج هوش مصنوعی را به دست آورده است. این سرمایه‌گذاری‌ها سخت‌افزار و نرم‌افزار موردنیاز برای توسعه و اجرای برنامه‌های هوش مصنوعی را پوشش می‌دهد.
این مقاله دو کاربرد داخلی هوش مصنوعی در AMD را بررسی می‌کند:
- خودکارسازی اولویت‌بندی بررسی‌های پیش از تولید تراشه: مهندسان باید از میان نتایج حدود یک میلیون شبیه‌سازی شبانه، خطاهای واقعی طراحی را که نیازمند اقدام هستند شناسایی کنند.
- تسریع بررسی درخواست‌های سفارش مشتریان: متخصصان باید اطلاعات دقیق سفارش و تأمین را به اندازه کافی سریع گردآوری کنند تا به پرسش‌های مشتریان پاسخ دهند.
ابتدا به فرایند مهندسی موردنیاز برای تشخیص مشکل واقعی طراحی تراشه از یک خطای غیرمفید در آزمایش می‌پردازیم.
خودکارسازی اولویت‌بندی بررسی‌های پیش از تولید تراشه
AMD از GitHub Copilot برای تحلیل گزارش‌های شبیه‌سازی طراحی تراشه در طول شب، شناسایی مشکلات شناخته‌شده و پیشنهاد راه‌حل‌ها پیش از آغاز بررسی صبحگاهی مهندسان استفاده می‌کند. این کاربرد، فرایند دستی دسته‌بندی خطاها برای تعیین موارد نیازمند بررسی را هدف قرار داده است.
پیش از تولید، مهندسان آزمایش‌های مجازی اجرا می‌کنند تا بررسی کنند تراشه مطابق انتظار عمل می‌کند یا خیر. شکست این آزمایش‌ها می‌تواند نشان‌دهنده نقص طراحی، مشکل در آزمایش یا مسئله‌ای باشد که تیم پیش‌تر آن را شناخته است. هری فاستر، دانشمند ارشد حوزه تأیید صحت در Siemens، توضیح داده است که نادیده گرفتن مشکلات در مرحله تأیید می‌تواند به تکرار تولید با هزینه چند میلیون دلاری برای اصلاح طراحی و اختلال در چرخه عرضه محصولات منجر شود.
ترکیب چند چیپلت در قالب یک سیستم یکپارچه، این حجم کاری را افزایش می‌دهد. الکس استار، عضو ارشد فنی AMD، گفته است که این پیچیدگی باعث شده تقریباً به ازای هر طراح سخت‌افزار، چهار مهندس تأیید صحت موردنیاز باشد. مرتب‌سازی مکرر خطاهای شناخته‌شده، ظرفیت متخصصانی را مصرف می‌کند که می‌توانستند روی مشکلات جدید طراحی تمرکز کنند.
AMD پیش از استفاده از Copilot در فرایند تأیید صحت، مخازن سخت‌افزار و نرم‌افزار خود را در GitHub Enterprise یکپارچه کرد. گزارش مشتری GitHub درباره AMD، عاملی را توصیف می‌کند که گزارش‌های شبیه‌سازی را با مشکلات تاریخی مقایسه کرده و راه‌حل پیشنهاد می‌دهد. AMD همچنین با ارائه‌دهنده این ابزار همکاری کرد تا آن را با زبان‌های توصیف سخت‌افزار مانند Verilog سازگار کند؛ زیرا مدل‌های عمومی هوش مصنوعی در ابتدا چنین زمینه‌ای را در اختیار نداشتند.
این عامل هوش مصنوعی، بررسی اولیه را در طول شب انجام می‌دهد تا مهندسان صبح کار خود را با نتایج مرتب‌شده و پیشنهادهای اصلاحی آغاز کنند. با این حال، مهندسان همچنان باید خطاهای جدید را بررسی کنند و اطمینان یابند که تغییرات، مشکل اصلی طراحی را برطرف کرده‌اند.
گزارش مشتری GitHub اعلام می‌کند که این سیستم بیش از یک میلیون شبیه‌سازی شبانه را به‌صورت خودکار بررسی کرده و زمان بررسی دستی صبحگاهی را به صفر رسانده است. این گزارش ساعت‌های پایه، مجموع زمان بررسی مهندسان پس از استقرار سیستم، معیار دقت دسته‌بندی یا نتیجه نهایی کیفیت تراشه را ارائه نمی‌کند و ادعاهای کلی درباره افزایش بهره‌وری را نمی‌توان تنها به این فرایند نسبت داد.
یک مقاله جداگانه از مهندسان تأیید صحت AMD، بررسی انسانی گزاره‌های تولیدشده توسط هوش مصنوعی پیش از آزمایش رسمی را توضیح می‌دهد. این فرایند مربوط به کاربردی متفاوت است و نشان نمی‌دهد مهندسان چگونه اصلاحات عامل شبانه را تأیید می‌کنند یا خطاهای حل‌نشده را چگونه پیگیری می‌کنند.
برای مدیران توسعه تراشه، کاهش گزارش‌شده در زمان دسته‌بندی خطاها تنها نقطه شروع ارزیابی است. اندازه‌گیری خطاهای حل‌نشده باقی‌مانده در آغاز هر روز، بررسی موفقیت اصلاحات پیشنهادی در آزمایش‌های استاندارد و رصد تکرار نقص‌ها می‌تواند مشخص کند که آیا این عامل واقعاً ظرفیت مهندسی را آزاد می‌کند و در عین حال کیفیت تأیید صحت را حفظ می‌کند یا خیر.
تسریع بررسی درخواست‌های سفارش مشتریان
AMD یک دستیار مولد هوش مصنوعی معرفی کرده است تا به کارکنان کمک کند تغییرات در تعهدات تحویل را بررسی کنند و سریع‌تر به درخواست‌های مربوط به سفارش مشتریان پاسخ دهند. این ابزار اطلاعات مربوط به تخصیص سفارش و موجودی تأمین را تحلیل می‌کند تا علت‌های احتمالی را شناسایی کرده و اقدام‌های پیشنهادی ارائه دهد.
وقتی تاریخ ارسال یک سفارش برای مشتری تغییر می‌کند، متخصصان ارتباط با مشتری باید دلیل آن را برای تیم‌های برنامه‌ریزی و مشتری توضیح دهند. یک گزارش منتشرشده توسط SAP AppHaus درباره AMD می‌گوید این بررسی می‌توانست به ۱۴ مرحله تأیید دستی نیاز داشته باشد. شناسایی مشکل تخصیص یا کمبود تأمین به تیم‌ها کمک می‌کند تصمیم بگیرند چگونه با اختلال مقابله کنند و چه توضیحی به مشتری ارائه دهند.
این برنامه هم‌زمان با یکپارچه‌سازی عملیات AMD و شرکت Xilinx که خریداری شده بود، روی سامانه SAP S/4HANA آغاز شد؛ فرایندی که از ژانویه ۲۰۲۳ شروع شد. بخش فناوری اطلاعات AMD با برنامه Lighthouse هوش مصنوعی مولد SAP برای توسعه این دستیار همکاری کرد.
متخصص، شماره سفارش فروش را از طریق رابط وارد می‌کند. پلتفرم فناوری کسب‌وکار SAP، دستیار را به محیط ERP متصل می‌کند؛ جایی که ابزار زمان تخصیص، مقادیر محدودشده، موجودی قابل دسترس، تحویل برنامه‌ریزی‌شده و وضعیت مواد را تحلیل می‌کند. خروجی این سیستم به بررسی و اقدام اصلاحی کمک می‌کند، اما فرایند منتشرشده نشان نمی‌دهد که تغییرات تعهدات سفارش به‌صورت خودکار انجام می‌شود.
یک ارائه معماری، استفاده از استقرار OpenAI GPT و یک مؤلفه ناشناس‌سازی داده را نشان می‌دهد. AMD بعداً دسترسی به این ابزار را برای تیم‌های عملیات مشتری و فروش گسترش داد و کنترل‌های دسترسی را برای محدود کردن اطلاعات حساس سفارش به کارکنان مجاز ایجاد کرد.
این شرکت برآورد کرده است که دستیار سالانه ۳۰۰۰ ساعت کاری کارکنان را ذخیره می‌کند و از کاهش زمان پاسخ‌گویی به درخواست‌ها خبر داده است. هدف AMD کاهش زمان پاسخ از ۲۰ تا ۳۰ دقیقه به کمتر از دو دقیقه بود. مقاله‌ای بعدی از یک شریک تجاری SAP کاهش ۹۰ درصدی و صرفه‌جویی ۳۱۲۰ ساعت سالانه را به‌عنوان نتیجه اعلام کرده است، اما دوره اندازه‌گیری یا روش محاسبه را توضیح نمی‌دهد.
AMD زمان فعلی اندازه‌گیری‌شده برای پاسخ‌گویی، تعداد کاربران فعال، نتایج دقت پاسخ‌ها یا پیامدهای خدمات مشتری را منتشر نکرده است؛ بنابراین ارقام متفاوت صرفه‌جویی را نمی‌توان با یکدیگر تطبیق داد یا به‌عنوان بازده مالی اثبات‌شده در نظر گرفت. همچنین در اسناد معماری، نسخه مدل، قوانین ناشناس‌سازی و فرایند تأیید یا ارجاع کارکنان مشخص نشده است.
برای مدیرانی که به دنبال استقرار مشابه هستند، ارزیابی باید زمان پاسخ را در کنار دقت پاسخ‌ها و تعداد مواردی که همچنان به بررسی متخصص نیاز دارند، بررسی کند. نمونه‌برداری از پاسخ‌ها و مقایسه آن‌ها با سوابق ERP می‌تواند میزان اطمینان‌پذیری را مشخص کند، در حالی که پیگیری حل مسئله در اولین تماس نشان می‌دهد آیا مشتریان اطلاعات کافی دریافت می‌کنند یا خیر.
این نمونه‌ها سه آزمون عملی برای سرمایه‌گذاری‌های سازمانی در هوش مصنوعی پیشنهاد می‌کنند:
- کل فرایند انتقال بررسی صحت را ارزیابی کنید — زمان دسته‌بندی را همراه با خطاهای حل‌نشده، اصلاحات پذیرفته‌شده و نقص‌های کشف‌شده در آزمایش‌های بعدی اندازه‌گیری کنید.
- پاسخ‌های سفارش را با سوابق عملیاتی تطبیق دهید — پاسخ‌های مربوط به تخصیص و تحویل را با داده‌های ERP مقایسه کنید و درخواست‌هایی را که به بررسی بیشتر نیاز دارند ثبت کنید.
- ظرفیت آزادشده را بر اساس استفاده واقعی محاسبه کنید — حجم واقعی درخواست‌ها و زمان صرفه‌جویی‌شده پس از بررسی را اندازه‌گیری کنید و مشخص کنید کارکنان چگونه از زمان آزادشده استفاده می‌کنند.