GoogleでAI開発を率いてきたJeff Dean氏が、チップ設計を少人数・短期間で進める構想を示した。OpenXLAが9月に公開した対談の発言記録によると、設計案を自動探索する仕組みが十分に速くなれば、150人で2年をかける代わりに、10人で3カ月という開発も考えられるという。これは達成済みの実績ではなく、設計自動化が進んだ場合の仮定である。Googleはすでに配置や回路の改善にAIを使っているが、その部分的な成功をチップ全体へ広げるには、案を作る速度と同時に、正しさを確かめる速度も変える必要がある。

AD

10人・3カ月はどんな構想か

Dean氏がOpenXLAの対談で論じたのは、特定の計算に適した専用チップを、用途の変化に間に合う速さで作ることだ。特定の処理へ設計を絞れば効率を高めやすい一方、時間をかけて作り込んでいる間に、使いたいAIの計算が変わる可能性がある。完成時には、設計を始めた時点の前提が古くなっているかもしれない。

発言記録では、仕様を人がRTLへ書き起こし、別のチームが正しいかを検証し、さらに回路を配置するという流れを挙げている。RTLは、回路内でデータがどう移動し、どう処理されるかを記述する設計の表現だ。人手による変換と確認を重ねる工程を、強化学習や進化的な手法で探索できるようにする、というのが構想の骨格である。

そのためには、候補を評価する処理も高速でなければならない。Dean氏は、現在のEDA、つまり電子設計自動化ツールの実行速度にも言及した。人が候補を絞ってから詳しく評価する使い方と、機械が多くの候補を繰り返し試す使い方とでは、評価にかかる時間の重みが違う。

10人・3カ月という数字は、この条件が整った場合の例示だ。 特定チップの設計を完了した報告でも、150人のチームを10人へ削減する計画でもない。

自動化はどの工程まで進んでいるのか

Google DeepMindが2024年9月に説明したAlphaChipは、チップ内部の回路ブロックの配置を決めるフロアプラン設計を扱う。構成要素を順に配置し、完成した配置の品質を報酬として学習する仕組みだ。同社によれば、過去のブロックで事前学習したうえで新しいブロックへ適用し、TPUの設計に利用してきた。

配置を変えるだけでも、配線のつながり方は変わる。ただし、配置を決める仕事と、チップに何をさせるかを決めて回路そのものを書く仕事は異なる。Googleが説明する、数週間から数カ月の人手の作業に対して数時間で配置を生成するという話も、対象は配置工程である。チップ開発全体を数時間へ縮めたという意味にはならない。

回路記述へ踏み込んだ例がAlphaEvolveだ。2025年5月の公式説明では、行列乗算に使う演算回路をVerilogというハードウェア記述言語で書き換え、不要なビットを取り除く案を生成した。修正後も回路の機能が正しいことを検証し、当時開発中のTPUへ採用したという。さらに2026年5月の更新では、次世代TPUの設計を最適化する際に、継続的に使うツールになったと説明している。

もう一つ、仕様と回路の間をつなぐ技術としてGoogleのXLSがある。これは高水準の機能記述からVerilogなどを生成する高位合成の仕組みで、AIが自律的にチップを完成させる製品ではない。同じ設計をソフトウェアとして動かすことや、変換前後の機能が一致するかを形式的に確かめることを支援する。

技術と参照時点 自動化する対象 出力・確認の方法 全体の開発期間へ読み替えられない理由
AlphaChip／Google DeepMind、2024年9月 回路ブロックの配置 配置品質を報酬に学習し、TPU設計に利用と説明 仕様策定や回路全体の機能設計を代替する実証ではない
AlphaEvolve／Google DeepMind、2025年5月 演算回路の記述の改善 Verilogの修正案を機能検証して採用と説明 部分回路の改善であり、全チップを白紙から設計した結果ではない
XLS／Google公開README、2026年9月22日確認 高水準の記述から回路への変換 回路記述を生成し、機能の等価性の確認を支援 実験的プロジェクトで、Googleの正式サポート製品ではない

AlphaChipは配置を、AlphaEvolveは回路記述の改善を、XLSは高水準の記述から回路への変換を担う。対象工程が異なるため、これらをチップ全体の設計期間短縮と同一視できない。

表は、各リンク先の公式解説とXLSのREADMEにある対象・出力・検証方法を工程別に分類したもので、速度の優劣を同じ条件で測った比較ではない。AlphaChipとAlphaEvolveの採用状況もGoogle自身の説明である。それでも、自動化が配置だけでなく、回路の修正や高水準の記述からの変換へ広がっていることは読み取れる。

AD

速く設計するには、速く確かめる仕組みが要る

AlphaEvolveの回路修正は、生成した案をそのまま採用する流れではない。Googleは、修正後も機能が正しいことを確かめる検証を通す必要があると明記している。探索で新しい案を出す役割と、採用してよいかを判定する役割が分かれているのだ。

この区別は、設計自動化の拡大を考えるうえで実務的な意味を持つ。候補を大量に生成できても、一つずつ確かめる処理に長く待たされれば、試せる案は増えにくい。逆に、簡略化した評価だけを速く回しても、その評価で良いとされた案が実際の要求を満たすとは限らない。Dean氏の高速な探索という構想は、案の生成と評価を一緒に改善する課題として読むべきだろう。

XLSが支援する等価性の確認にも、対象がある。基準となる記述と、変換した回路が同じ機能を持つかを確かめることと、基準の仕様が利用者の求める処理に適しているかを判断することは別の仕事だ。仕様に忠実な回路でも、用途の選び方が間違っていれば役に立たない。機能の一致を確かめたことから、消費電力や製造後の歩留まりまで保証されたともいえない。

また、設計の短縮には、工場でチップを作る時間を自動的に短縮する効果は含まれない。Dean氏は今回とは別の2025年2月のDwarkesh Podcastで、先端ノードの製造には3〜5カ月かかると説明していた。これは当時の発言であり、現在の製造納期を保証する数字ではないが、設計と製造を別々に考える必要を示している。「設計を3カ月で」という仮定を、量産品が3カ月で届く約束へ置き換えることはできない。

少人数化より、用途の変化に追いつけるか

専用チップの設計を速める価値は、必要な人員を減らすことだけでは測れない。Dean氏が挙げた、完成するまでに計算の用途が変わるという問題に照らせば、短い周期で設計を更新できること自体が価値になる。長く先を予測して機能を決める負担を減らし、その時点で必要な処理へ設計を寄せられるからだ。

ただし、少人数の設計チームが成立しても、その背後には評価用の計算資源や設計ツールが要る。今回の人数と期間だけから、開発費全体の削減率や、半導体業界の雇用への影響を計算することはできない。自動化によって人の作業が減るのか、同じ人数で試せる設計が増えるのかも、実際の運用によって変わる。

実用化を判断するには、どの規模のチップで、仕様から検証済みの設計まで何を自動化し、どこで人が介入したかを示す実績が必要になる。さらに、設計時の評価が製造後の動作と合うことまで確かめられれば、短い周期で専用チップを作る構想は、変化の速いAI用途へ追従する具体的な選択肢になる。