4月14日消息，在此前的GTC大會期間的一場對話中，英偉達首席科學家兼高級副總裁比爾·達利（Bill Dally）向谷歌首席科學家杰夫·迪恩（Jeff Dean）披露了公司在芯片設計領域應用AI的最新進展。一組驚人的數(shù)據(jù)引發(fā)了業(yè)界廣泛關注：過去需要8名工程師耗時10個月才能完成的標準單元庫遷移任務，如今依托AI工具僅需一塊GPU運行一夜即可完成。
△Bill Dally
從8個人干10個月到一夜之間完成：AI重構芯片設計底層
Bill Dally所舉的案例，是芯片設計流程中最基礎也最繁瑣的環(huán)節(jié)之一——標準單元庫的遷移。每當英偉達采用新的半導體工藝時，都需要將約2500至3000個標準單元適配至新工藝。以往，這項工作需要一支8人團隊耗費約10個月時間，相當于80人一個月的工作量。
如今，英偉達基于強化學習自主研發(fā)的工具NB-Cell（已迭代至第二或第三代）徹底改變了這一局面。Bill Dally透露，該工具僅需單塊GPU運行一晚即可完成全部工作，更關鍵的是，AI生成的單元在芯片面積、功耗和信號延遲等核心指標上，不僅達到人工設計水平，部分性能甚至實現(xiàn)超越。
Bill Dally在對話中明確表示：“這是一次巨大的生產(chǎn)力飛躍，它消除了向新工藝遷移的障礙，因為我們現(xiàn)在可以非常快速地完成單元庫遷移。”
除了標準單元庫的自動化，英偉達還在探索更高階的芯片設計優(yōu)化。Bill Dally介紹了另一款內(nèi)部工具Prefix RL，專門用于解決進位超前鏈（Carry Lookahead Chain）中長期存在的超前級布局優(yōu)化難題。這一領域此前高度依賴資深工程師的經(jīng)驗判斷。
Bill Dally指出，Prefix RL產(chǎn)出的物理布局方案展現(xiàn)出前所未有的結構特征——“這些方案是人類工程師永遠無法想到的”。更令人驚訝的是，AI生成的設計在關鍵性能指標上，比傳統(tǒng)人工設計方案高出20%至30%。
這表明，英偉達對AI的應用已不止于“提效降本”，更在于拓展芯片設計的技術邊界，催生人類經(jīng)驗難以構想的創(chuàng)新解法。
Chip Nemo與Bug Nemo：專為大模型訓練的內(nèi)部LLM
在更宏觀的維度上，英偉達已在內(nèi)部部署了兩款專用大語言模型——Chip Nemo和Bug Nemo。這兩款模型均基于英偉達數(shù)十年積累的專有GPU設計數(shù)據(jù)進行深度微調(diào)，訓練語料涵蓋寄存器傳輸級代碼、架構白皮書、歷史設計文檔等核心資產(chǎn)——這些材料本質(zhì)上無法在公司外部獲取。
在實際應用中，這些模型正在重塑英偉達的工程師培養(yǎng)和日常工作模式。Bill Dally解釋道：“當有初級設計師時，他們可以直接向Chip Nemo提問，它會解釋GPU的工作原理。它是一個非常有耐心的導師。”
與此同時，Bug Nemo能夠自動歸類整理缺陷報告，并依據(jù)模塊歸屬與工程師專長完成初步分派，大幅減少了資深工程師被瑣碎咨詢打斷的時間，使其能夠?qū)Ｗ⒂诟邇r值的創(chuàng)造性工作。
驗證仍是瓶頸：AI尚未能獨立完成全流程
盡管AI在芯片設計的多個階段展現(xiàn)出驚人的能力，Bill Dally明確表示，實現(xiàn)端到端的全自動芯片設計“仍然遙不可及”。他特別指出，設計驗證是當前整個開發(fā)周期中最耗時的環(huán)節(jié)，也是“真正的瓶頸”。
“我們希望能夠縮短這一環(huán)節(jié)，”Bill Dally表示，英偉達正在研究如何利用AI來更快地證明設計的正確性，但目前仍需依賴硬件仿真和物理實驗來確保芯片在各種條件下都能正常工作。
長期愿景：多智能體協(xié)作的芯片設計
從長遠來看，Bill Dally描繪了一個更具想象力的未來：芯片開發(fā)將轉(zhuǎn)向多智能體模型，由專門的AI系統(tǒng)處理設計流程的不同部分，類似于今天人類團隊的分工協(xié)作模式。
但在此之前，AI的角色仍然是“超級助理”——通過協(xié)助工程師、縮短開發(fā)時間、并將設計質(zhì)量提升到超越人類能力的水平，從而使工程師能夠比以前探索更多的設計可能性。
正如Bill Dally在對話中所言：“我們希望在任何可能的地方使用AI，但我認為距離完全自動化設計還有很長的路要走。”
行業(yè)交流、合作請加微信：icsmart01
芯智訊官方交流群：221807116
