英伟达用AI设计芯片：一夜干完8个人10个月的工作！

4月14日消息，在此前的GTC大会期间的一场对话中，英伟达首席科学家兼高级副总裁比尔·达利（Bill Dally）向谷歌首席科学家杰夫·迪恩（Jeff Dean）披露了公司在芯片设计领域应用AI的最新进展。一组惊人的数据引发了业界广泛关注：过去需要8名工程师耗时10个月才能完成的标准单元库迁移任务，如今依托AI工具仅需一块GPU运行一夜即可完成。

△Bill Dally

从8个人干10个月到一夜之间完成：AI重构芯片设计底层

Bill Dally所举的案例，是芯片设计流程中最基础也最繁琐的环节之一——标准单元库的迁移。每当英伟达采用新的半导体工艺时，都需要将约2500至3000个标准单元适配至新工艺。以往，这项工作需要一支8人团队耗费约10个月时间，相当于80人一个月的工作量。

如今，英伟达基于强化学习自主研发的工具NB-Cell（已迭代至第二或第三代）彻底改变了这一局面。Bill Dally透露，该工具仅需单块GPU运行一晚即可完成全部工作，更关键的是，AI生成的单元在芯片面积、功耗和信号延迟等核心指标上，不仅达到人工设计水平，部分性能甚至实现超越。

Bill Dally在对话中明确表示：“这是一次巨大的生产力飞跃，它消除了向新工艺迁移的障碍，因为我们现在可以非常快速地完成单元库迁移。”

除了标准单元库的自动化，英伟达还在探索更高阶的芯片设计优化。Bill Dally介绍了另一款内部工具Prefix RL，专门用于解决进位超前链（Carry Lookahead Chain）中长期存在的超前级布局优化难题。这一领域此前高度依赖资深工程师的经验判断。

Bill Dally指出，Prefix RL产出的物理布局方案展现出前所未有的结构特征——“这些方案是人类工程师永远无法想到的”。更令人惊讶的是，AI生成的设计在关键性能指标上，比传统人工设计方案高出20%至30%。

这表明，英伟达对AI的应用已不止于“提效降本”，更在于拓展芯片设计的技术边界，催生人类经验难以构想的创新解法。

Chip Nemo与Bug Nemo：专为大模型训练的内部LLM

在更宏观的维度上，英伟达已在内部部署了两款专用大语言模型——Chip Nemo和Bug Nemo。这两款模型均基于英伟达数十年积累的专有GPU设计数据进行深度微调，训练语料涵盖寄存器传输级代码、架构白皮书、历史设计文档等核心资产——这些材料本质上无法在公司外部获取。

在实际应用中，这些模型正在重塑英伟达的工程师培养和日常工作模式。Bill Dally解释道：“当有初级设计师时，他们可以直接向Chip Nemo提问，它会解释GPU的工作原理。它是一个非常有耐心的导师。”

与此同时，Bug Nemo能够自动归类整理缺陷报告，并依据模块归属与工程师专长完成初步分派，大幅减少了资深工程师被琐碎咨询打断的时间，使其能够专注于更高价值的创造性工作。

验证仍是瓶颈：AI尚未能独立完成全流程

尽管AI在芯片设计的多个阶段展现出惊人的能力，Bill Dally明确表示，实现端到端的全自动芯片设计“仍然遥不可及”。他特别指出，设计验证是当前整个开发周期中最耗时的环节，也是“真正的瓶颈”。

“我们希望能够缩短这一环节，”Bill Dally表示，英伟达正在研究如何利用AI来更快地证明设计的正确性，但目前仍需依赖硬件仿真和物理实验来确保芯片在各种条件下都能正常工作。

长期愿景：多智能体协作的芯片设计

从长远来看，Bill Dally描绘了一个更具想象力的未来：芯片开发将转向多智能体模型，由专门的AI系统处理设计流程的不同部分，类似于今天人类团队的分工协作模式。

但在此之前，AI的角色仍然是“超级助理”——通过协助工程师、缩短开发时间、并将设计质量提升到超越人类能力的水平，从而使工程师能够比以前探索更多的设计可能性。

正如Bill Dally在对话中所言：“我们希望在任何可能的地方使用AI，但我认为距离完全自动化设计还有很长的路要走。”

编辑：芯智讯-浪客剑