此前，由谷歌主导并发表在《自然》杂志上的一篇研究论文声称，机器学习软件可以比人类更快地设计出更好的芯片，但在一项新的研究对其结果提出质疑后，该论文遭到了质疑。
2021年6月，谷歌因开发了一个基于强化学习的系统而受到极大关注，该系统可以自动生成优化的微芯片计划。这些计划决定了芯片中电子电路块的排列:CPU和GPU核心、内存和外围控制器实际上都位于物理硅芯片上。
谷歌表示，它正在使用这种人工智能软件来设计自己的TPU芯片，以加速人工智能的工作量:它正在使用机器学习来使其其他机器学习系统运行得更快。这项研究引起了电子设计自动化社区的关注，他们已经开始将机器学习算法集成到他们的软件套件中。
今天，谷歌声称的比人类更好的模型受到了加州大学圣地亚哥分校(UCSD)一支团队的挑战。在计算机科学与工程教授安德鲁·康(Andrew kang)的带领下，该团队花了几个月的时间来验证谷歌之前的论文。这所大学的学者最终发现，他们为电路训练(CT)创建的原始谷歌代码实际上比使用传统工业方法和工具的人类表现更差。
是什么造成了这种差异？UCSD团队了解到，谷歌使用了电子设计自动化(EDA)套件的主要制造商Synopsys开发的商业软件，创建了芯片逻辑门的启动排列，然后优化了其强化学习系统。谷歌的论文中确实提到，在模型的布局生成后，使用行业标准的软件工具和手动调整，主要是为了保证处理器能够按预期工作，最终完成制造。谷歌人认为，无论平面图是由机器学习算法创建，还是由人类使用标准工具创建，都是必经的一步，因此其模型值得称赞，因为它优化了最终产品。
然而，加州大学圣地亚哥分校的团队表示，谷歌论文没有提到提前使用EDA工具来准备模型迭代的布局。
对此，谷歌论文的主要作者Azalia Mirhoseini和Anna Goldie反驳说，UCSD团队的工作并不是他们方法的准确实现。他们指出，康格教授的团队得到了更差的结果，因为他们根本没有根据任何数据预先训练他们的模型。康格教授的团队没有使用与谷歌相同的计算能力来训练他们的系统，并表示这一步可能无法正确执行，从而削弱了模型的性能。
然而，加州大学圣地亚哥分校的研究团队表示，他们没有提前训练他们的模型，因为他们无法访问谷歌的专有数据。然而，他们声称他们的软件已经得到了互联网巨头的另外两名工程师的验证，他们也是《自然》杂志上论文的合著者。
此外，一名被解雇的谷歌人工智能研究员声称，这家互联网巨头的研究论文是在当时价值1.2亿美元的“一项潜在的大规模云交易”的背景下完成的。
