أخطاء تصميم رقائق الذكاء الاصطناعي تكلف 10 ملايين دولار لكل إعادة تصنيع

المشكلة

تسببت حالة سباق (race condition) واحدة — وهو تعارض توقيتي لا تكشفه الاختبارات القياسية — في تدمير رقاقة بقيمة 10 ملايين دولار. استخدم فريق تصميم سير عمل معزَّزًا بالذكاء الاصطناعي لبناء مسرِّع RISC-V مخصص. أنشأ النموذج اللغوي الكبير وحدة تحكيم لواجهة ذاكرة فائقة السرعة. نجح الكود في المحاكاة. اجتاز جميع اختبارات الانحدار. مرَّ دون أي أخطاء في الفحص الثابت (lint). ثم أتم الفريق مرحلة tape-out وأرسل التصميم إلى مصنع التصنيع.

وبعد ستة أشهر وصلت أول شريحة مصنَّعة. وتحت اصطفاف نادر بين خفض التردد الحراري وحركة المرور عالية النطاق الترددي، وقعت الرقاقة في طريق مسدود (deadlock). كان السبب الجذري تعارضًا توقيتيًا دقيقًا بين نوعين من تعيينات الكود. كان نموذج المحاكاة يتصرف بطريقة، بينما كانت الشريحة المصنَّعة فعليًا تتصرف بطريقة أخرى. وكان طقم الأقنعة بتقنية 5 نانومتر بأكمله — بقيمة نحو 10 ملايين دولار — عديم القيمة.

لكن خسارتك الحقيقية ليست الأقنعة؛ بل التأخير الذي يمتد ستة أشهر للتشخيص والإصلاح وإعادة التصنيع (respin). وفي أسواق مسرِّعات الذكاء الاصطناعي حيث تدوم أجيال المنتجات 18 شهرًا، قد يمحو هذا التأخر من 30% إلى 50% من إيرادات منتجك على مدى عمره. إذا كنت تستهدف تدفقًا إيراديًا بقيمة 100 مليون دولار، فقد كلَّفتك هذه الإعادة نحو 50 مليون دولار من الفرص الضائعة — فوق الـ10 ملايين دولار من الهدر.

لم يكن هذا فشلًا في الخيال؛ بل كان فشلًا في تغطية التحقق. كتب الذكاء الاصطناعي كودًا بدا صحيحًا لكنه كان خاطئًا منطقيًا بطريقة لم تلتقطها أي محاكاة.

لماذا يهم هذا أعمالك

تعمل صناعة أشباه الموصلات وفق قاعدة قاسية تُسمى «قاعدة العشرة». الخطأ الذي يُكتشف أثناء التصميم الأولي تبلغ تكلفة إصلاحه نحو 100 دولار. والخطأ نفسه إذا اكتُشف أثناء اختبار مستوى الكتل تكلفته 1,000 دولار. وعند المحاكاة على مستوى النظام الكامل تصل إلى 10,000 دولار. وإذا تسرب إلى الشريحة المصنَّعة، فأنت تواجه 10 ملايين دولار أو أكثر. وإذا وصل إلى عملائك في الميدان، فقد تتجاوز التكلفة 100 مليون دولار في عمليات الاستدعاء والدعاوى القضائية والضرر اللاحق بالعلامة التجارية.

وإليك ما يحتاج فريقك المالي إلى معرفته:

• 68% من تصاميم الرقائق تتطلب إعادة تصنيع (respin) واحدة على الأقل. فقط 32% تحقق نجاحًا عند أول شريحة مصنَّعة. والسبب الرئيسي هو العيوب المنطقية والوظيفية — وهي بالضبط الأخطاء التي تميل نماذج الذكاء الاصطناعي إلى إدخالها.
• تكاليف الأقنعة تنفجر ارتفاعًا. عند عقد 28 نانومتر الناضجة يكلف طقم الأقنعة ما بين 2 و3 ملايين دولار. وعند 5 نانومتر و3 نانومتر يتراوح بين 10 و20 مليون دولار. وكل عملية إعادة تصنيع تحرق هذا الاستثمار بأكمله.
• التأخير ستة أشهر قد يمحو 50% من إجمالي الربح مدى الحياة. تعمل الإلكترونيات الاستهلاكية والسيارات وعتاد الذكاء الاصطناعي وفق دورات سنوية صارمة. إذا فوّت نافذتك، فوّت فرصة تصميم تمتد من 3 إلى 5 سنوات.
• مضاعف التكلفة هو 10,000×. خطأٌ يكلف 100 دولار في المحرر يكلف 10 ملايين دولار في المختبر. وأدوات الذكاء الاصطناعي التي تسرّع توليد الكود دون تحسين التحقق تسرّع ببساطة حقن عيوب مكلفة.

إذا كانت شركتك تستخدم الذكاء الاصطناعي اليوم لكتابة كود العتاد، فأنت تنتج كودًا أكثر وبسرعة أكبر. لكن ما لم تكن تتحقق أيضًا من هذا الكود بصرامة رياضية، فإنك تزيد تعرضك لإعادة التصنيع الكارثية.

ما الذي يجري فعلًا تحت الغطاء

لماذا تفشل نماذج الذكاء الاصطناعي في تصميم الرقاقات بينما تجتاز اختبار المحاماة وتكتب برمجيات عاملة؟ الجواب بسيط بشكل مدهش: كود العتاد لا يعمل إطلاقًا مثل كود البرمجيات.

تعمل البرمجيات سطرًا واحدًا في كل مرة، وبالترتيب. أما العتاد فيشغّل كل شيء دفعة واحدة، بشكل متزامن ومستمر. كل إشارة وكل كتلة وكل وحدة تعمل بالتوازي — مثل أوركسترا تعزف فيها جميع الآلات في الوقت نفسه. ونماذج الذكاء الاصطناعي المدرَّبة غالبًا على Python وJava تحمل «تحيزًا تتابعيًا»؛ فهي تكتب كود العتاد وكأنه برمجيات، خطوة تلو أخرى.

هذا يخلق نمط فشل محددًا يُسمى عدم تطابق المحاكاة والتوليف (simulation-synthesis mismatch). يتصرَّف الكود بطريقة عندما تحاكيه على حاسوب، ويتصرف بطريقة مختلفة عند بنائه في رقاقة فعلية. تخيّل مخططًا معماريًا يبدو مثاليًا على الورق لكنه ينهار عند صب الخرسانة، لأن المخطط افترض أن الجاذبية تعمل بشكل مختلف.

كما أن الذكاء الاصطناعي يهلوس بروتوكولات الواجهات — قواعد الاتصال الصارمة بين مكونات الرقاقة. قد يولّد الذكاء الاصطناعي متحكم ذاكرة يعمل 90% من الوقت لكنه ينتهك بندًا فرعيًا محددًا من المعيار الصناعي في حالة حدّية نادرة. يُجمَّع الكود بنجاح. تنجح المحاكاة. لكن الشريحة المصنَّعة تتعطل عند توصيلها بمتحكم ذاكرة مطابق للمعيار.

ويزداد الأمر سوءًا لأن حجم بيانات التدريب عالية الجودة في مجال العتاد أصغر بمراتب حجم مما هو موجود لـPython أو JavaScript. وكثير من كود Verilog المتاح على الإنترنت يتكون من مشاريع طلابية ونماذج أولية مهجورة. يتعلم الذكاء الاصطناعي من أمثلة معيبة ويعزز أخطاءه الخاصة — وهي ظاهرة تُسمى التدهور التعاودي (recursive degradation).

ما الذي يعمل (وما لا يعمل)

لنبدأ بما لا يحل هذه المشكلة:

• تحسين الأوامر التوجيهية. لا يمكنك أن تصل إلى رقاقة صحيحة بالأوامر التوجيهية (prompting) وحدها. فالذكاء الاصطناعي لا يفهم فيزياء الدوائر ولا إغلاق التوقيت (timing closure) ولا مزامنة الإشارات. والأوامر الأكثر تفصيلًا تنتج مخرجات تبدو أكثر ثقة ولكنها تبقى معيبة.
• الحلول الغلافية. كثير من الأدوات ببساطة تغلّف نموذج ذكاء اصطناعي عامًا بواجهة دردشة مع بعض أوامر النظام الخاصة بالعتاد. وتسمّي نفسها «مساعدات تصميم الرقائق» (Chip Design Copilots). وهي تعمل فقط في مرحلة كتابة الكود وتفتقر إلى أي قدرة على التحقق.
• المزيد من جلسات المحاكاة. المحاكاة التقليدية تختبر فقط السيناريوهات التي تكتبها صراحةً. إنها مثل اختبار مكابح سيارة بالقيادة حول المربع 1,000 مرة. إذا كانت المكابح تفشل فقط تحت المطر عند سرعة 60 ميلاً في الساعة، فلن يلتقط اختبارُك ذلك أبدًا.

أما ما يعمل فعليًا فهو نهج يُسمى الذكاء الاصطناعي العصبي-الرمزي (neuro-symbolic) — الجمع بين قدرة الذكاء الاصطناعي على توليد الكود والبرهان الرياضي على صحة الكود. وهكذا يعمل في الممارسة:

1. التوليد المزدوج. عندما تعطي النظام مواصفة تصميم، ينتج مخرجين في آنٍ واحد: كود العتاد نفسه ومواصفة شكلية — مجموعة قواعد رياضية تحدد السلوك الصحيح. على سبيل المثال، إذا كانت المواصفة تقول «يجب أن يتبع المنحُ الطلبَ»، يكتب النظام المنطق والتأكيدَ الرياضي الذي يبرهن على أن المنح يتبع الطلب دائمًا.

2. البرهان الرياضي. يتولى محرك التحقق الشكلي — المدعوم بحلول SAT/SMT (تخيّلها محركات بحث جبرية) — المخرجين معًا ويحاول إثبات الكود مقابل القواعد. فهو لا يحاكي بعض حالات الاختبار؛ بل يفحص كل تركيبة ممكنة من المدخلات والحالات الداخلية. كلها بلا استثناء. إذا لم يوجد أي انتهاك، أعاد برهانًا رياضيًا. وإذا وُجد انتهاك، أعاد التسلسل الدقيق للأحداث الذي يفعّل الفشل.

3. حلقة الإصلاح المؤتمتة. عندما يجد الحلُّ خطأً، يغذّي مسار الفشل الدقيق عائدًا إلى الذكاء الاصطناعي بوصفه أمرًا توجيهيًا للتصحيح. يحلل الذكاء الاصطناعي المسار، ويحدد الخلل المنطقي، ويعيد كتابة الكود. وتتكرر هذه الحلقة تلقائيًا حتى يُبرهن على صحة التصميم رياضيًا.

الميزة الحاسمة لفرق الامتثال والمخاطر لديك: كل قرار تصميمي ينتج مسار تدقيق قابلًا للتحقق. فالبرهان الشكلي شهادة رياضية على أن المنطق صحيح في ظل جميع الظروف. يمكنك أن تُري مجلس إدارتك وعملاءك وشركاء مصانع التصنيع لديك لماذا يعمل التصميم بالضبط — وليس مجرد أنه اجتاز بعض الاختبارات.

بالنسبة للمؤسسات التي تفكر بالفعل في معايير حوكمة الذكاء الاصطناعي والتحقق، يمتد هذا النهج بشكل طبيعي من أنظمة الذكاء الاصطناعي البرمجية إلى تدفقات عمل تصميم العتاد.

تنطبق هذه المنهجية مباشرةً على تحديات تصميم أشباه الموصلات حيث تُقاس تكلفة الفشل بالملايين لكل حادثة. كما أن تقنية التحقق الشكلي وأتمتة الإثبات توفر الضمانات الرياضية التي لا تستطيع المحاكاة وحدها تقديمها.

يمكنك قراءة التحليل التقني الكامل للاطلاع على تفاصيل التنفيذ، أو استكشاف النسخة التفاعلية للحصول على جولة إرشادية في المنهجية.