Nvidia 表示 AI 能把原本 10 个月的 GPU 设计工作压缩到一夜完成，但人类芯片设计师依然重要

Nvidia 表示，AI 在芯片开发中已经不再只是辅助工具。公司现在正把 AI 用到 GPU 设计流程的多个环节，其中一个例子更是把原本需要 8 名工程师花 10 个月完成的工作，压缩成在一块 GPU 上跑一晚就能做完。

但这不代表 Nvidia 现在已经可以直接跟 AI 说一句“做出下一代 GeForce”，然后就收工。根据 Nvidia 首席科学家 William Dally 的说法，距离 AI 在几乎不需要人类深度参与的情况下独立设计整颗处理器，仍然还有很长的路要走。

最大的提速之一，发生在芯片流程的底层阶段

Dally 表示，Nvidia 一直在尽可能把 AI 塞进更多设计阶段。其中一个重要成果，是一个叫做 standard cell library porting 的任务，也就是当设计迁移到新的制造工艺时，要处理标准单元库的适配工作。

过去，要处理大约 2,500 到 3,000 个 cells 的单元库，通常需要 8 名工程师花上约 10 个月。Nvidia 表示，它们的强化学习系统 NB-Cell，现在已经可以在单块 GPU 上一夜内完成同样的工作。

对于一家正赶着推出越来越复杂 GPU 的公司来说，这种生产力提升非常夸张，尤其这些 GPU 还要同时服务游戏、AI 和数据中心市场。

Nvidia 不只是把 AI 用在底层设计工作上。公司还打造了内部大语言模型 Chip Nemo 和 Bug Nemo。

这些模型基于 Nvidia 自家的机密资料进行微调训练，包括 RTL、硬件设计文档，以及 Nvidia 历代 GPU 的架构规格。实际应用上，这让初级工程师可以直接询问复杂硬件模块相关问题，不需要每次都把资深工程师从手头工作中拉出来支援。

Dally 把这些系统形容得更像是有耐心的内部导师，而不是能够完全独立设计芯片的 AI。对 Nvidia 来说，这意味着资深员工可以把更多时间放在更难的问题上，而新人工程师也能更快拿到答案。

Nvidia 表示，强化学习也正在帮助解决传统电路设计问题。不同于人类工程师通常会沿着熟悉路径去优化，AI 会通过大规模试错去探索各种可能性。

根据 Dally 的说法，其中一些结果乍看之下很奇怪，但最终做出来的设计，在面积、功耗和性能方面，仍然能比人类设计版本好上 20% 到 30%。

公司也在 place and route，以及早期的架构探索阶段使用 AI。它们基于 agent 的系统可以同时跑很多实验，测试不同设计方向，并比人工团队更快筛出有潜力的配置。

即使已经有这么多进展，Nvidia 也表示，AI 目前仍然无法接手完整的**验证（verification）**流程，而这正是芯片开发里最慢、也最关键的阶段之一。

设计最终还是要经过仿真和完整测试，才能确认芯片真的能正常运作。所以 Dally 才会说，Nvidia 距离端到端的全自动 AI 芯片设计，仍然“还有很长一段路”。

他们更长期的目标，是建立一种**多智能体（multi-agent）**架构，让不同 AI 系统各自负责流程中的专门环节，更像是一整个专家团队协作，而不是一个无所不知的单一模型。

对玩家、PC 装机用户、电竞赛事主办方，甚至马来西亚和整个东南亚的 AI 创业公司来说，这件事值得关注，因为更快的芯片设计流程，可能会缩短大型 GPU 世代更新之间的间隔，也让厂商能更快尝试更好的设计方案。

这不代表显卡一定会变便宜，Nvidia 也没有表示这会直接压低售价。但这至少说明，公司正非常激进地用 AI 加速未来硬件的开发，而这些硬件正是游戏 PC、创作者工作站、电竞直播设备和各种 AI 工作负载背后的核心动力。

在这个对更强 GPU 需求持续上升的区域里，从网咖到直播工作室，任何能让大型芯片厂商加快脚步的变化，都很值得继续盯着看。

消息来源：Tom's Hardware