不同元件在計算機芯片上的布局，是決定芯片整體性能的關鍵。設計計算機芯片的物理布局既復雜又耗時，難度非常大，需要專業人類設計工程師付出大量工作。而盡管已為此進行多年的嘗試，芯片布局規劃一直都無法實現自動化，需要設計工程師們花費數月的努力才能生產可供規模制造的布局。

　　研究團隊將芯片布局規劃設計成一個強化學習問題，并開發了一種能給出可行芯片設計的神經網絡。他們訓練了一個強化學習智能體，讓這個智能體把布局規劃看作一種棋盤游戲：元件是“棋子”，放置元件的畫布是“棋盤”，“獲勝結果”則是根據一系列評估指標評出的最優性能。

　　研究人員指出，這種方法能在6小時內設計出與人類專家不相上下或是更好的可行芯片布局，有望為今后的每一代計算機芯片設計節省數千小時的人力。

　　開發出比當前方法更好、更快、更省錢的自動化芯片設計方法，有助于延續芯片技術的‘摩爾定律’。這里的摩爾定律，是指每塊芯片的元件數量大約每兩年會翻一番。

　　人工智能是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智能是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種“復雜工作”的理解是不同的。

　　用來研究人工智能的主要物質基礎以及能夠實現人工智能技術平臺的機器就是計算機，人工智能的發展歷史是和計算機科學技術的發展史聯系在一起的。除了計算機科學以外，人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。

　　在不到6小時的時間里，一個深度學習強化方法，可以自動生成芯片設計的所有關鍵指標，包括功耗、性能和芯片面積，且給出的布局圖都優于或可與人類設計的芯片布局圖相比肩。這無疑是人工智能助力人類實現更好、更快、更強目標的范例。有意思的是，這個人工智能現在又被拿去設計下一代人工智能，這讓我們看到一種共生關系——更強大的人工智能設計硬件，正在推動人工智能的進步。