英伟达用AI设计芯片：8人10个月变1夜

你可曾思索过，一块GPU能够于夜里掌握怎样去设计另一块GPU？这般情形听上去仿若科幻影片一般，然而在英伟达的实验室当中，这已然变成了现实。当竞争对手还在借助堆砌人力去追赶新工艺之际，凭借AI英伟达已将原本须8名资深工程师花费10个月的工作量压缩至一夜便完成。这可不单单是效率的巨大飞跃，更是使得芯片行业权力格局得以彻底松动。

一夜之间完成80个人月的工作量

在2025年5月的时候，英伟达首席科学家Bill Dally公开演讲讲出了令人震惊的一组数据，当台积电或者三星推出新的一代半导体工艺，像是从5nm跨越到3nm这种情况，那时芯片公司得把大概2500到3000个标准单元库再适配到新的工艺上去，以往，这个任务要一个8人资深工程师团队持续奋斗10个月，换算完就是80个人月的成本。

英伟达研发了一款称作NB-Cell的强化学习工具，工程师只需将需求输入进系统，运行一个夜晚之后，一块平常的GPU，所有单元库的迁移工作便自动达成了！更让人感到震撼的是，AI生成的单元在尺寸、功耗以及延迟这些核心指标方面，不但达到了人类工程师的水准，在此类某些案例里甚至比手工设计更为出色！

AI正在突破人类认知的边界

重复性劳动问题由 NB - Cell 解决，然而在芯片设计范畴内，AI 已然呈现出更为强大的创造力。于芯片的算术逻辑单元当中，进位前瞻链的放置属于历经几十年研究的经典难题。凭借经验以及直觉来进行布局的人类工程师，常常会遭遇性能瓶颈。

Bill Dally作出形容，AI生成的布局属于“人类永远无法构思出的怪异设计”，这些设计全然违背传统电子工程的审美，其布局方式看上去颇为奇特，然而在实际性能测试里，相较于人类最优设计提升了约20%到30%，这表明AI不再只是人类的工具，它正突破人类认知的界限，于数百万维空间中探寻人类无法企及的最优解。

硅基导师让初级工程师原地升级

英伟达内部长期存有一个棘手难题，资深设计师必须耗费众多时间去指导新人，阐释某个硬件模块的工作方式，这不但耗用了专家的时间，还致使初级工程师成长迟缓。

为了将这个痛点予以解决，英伟达研发出了两个内部大语言模型，Chip Nemo以及Bug Nemo。它们并非是市面上常见的那般通用模型，而是依据英伟达历经几十年累计起来的专有架构文档还有硬件规格去进行微调的。当初级工程师碰到复杂模块之际，无需再去打搅忙碌着的高级工程师，直接询问Chip Nemo便可。Bug Nemo负责自动汇总错误报告，并且把问题分派给最为合适的工程师，极大地缩短了芯片验证的时间。

AI还不能完全取代人类工程师

虽说AI展现出令人惊叹的表现，然而Bill Dally确切地表明，彻底的端到端自动化芯片设计距离达成仍有相当长的路程要走。换句话说，你朝着电脑讲出一句“给我设计一个新GPU”，AI就吐出完整图纸这种情形，当前还无法做到。

在英伟达所进行的实践里面，AI所扮演的角色更倾向于如同“增强设计”这般，而不是进行自主造芯。高层级的架构决策，创造性的电路设计，加上复杂的逻辑结构，依旧是依赖于人类专家的。设计验证依旧是整个流程之中最为耗时的环节，AI仅仅能够起到辅助加速的作用，没办法实现完全闭环。最终的模拟仿真以及实际实验依旧是绝对不能少的，其目的在于保证芯片在物理世界里毫无差错。

工程师的工作方式正在被重构

有这样一个情况，英伟达所进行的实践显示出，AI并非是走向淘汰芯片工程师这条路，反而是会将他们的工作方式进行彻底的改变。具体就是，初级工程师能够借助Chip Nemo来自主去学习那复杂的模块，进而减少对资深工程师造成的打断情况。另外，资深工程师能够从重复性的任务当中解脱出来，从而能够把精力专注于有着更高价值得创新以及决策。

在整个流程里头，AI承担大规模搜索、还承担优化以及验证任务，然而人类负责目标设定，也负责约束定义以及创意引导。这是一种“人类设定框架再加上AI极速执行”的协同模式。Bill Dally所构想的未来是一个多智能体模型呀，不同专业的AI系统去处理不同设计环节，就如同现在各职能团队那样进行协作。长期目标一直是端到端自动化设计，不过要克服验证、接口协商等这些难题。

平庸的体力型工程劳动正在贬值

八个工程师，十个月的工作成果，被一块 GPU 一夜之间给取代了，这般情况下，我们必须得直面一个现实。平凡普通的、依靠体力付出的工程劳动，正在快速地贬值下落。竞争对手还在凭借增加人力投入来奋力追赶进度之际，英伟达已然踏入了“利用 AI 来设计 AI，借助 AI 去优化 AI”的自我循环体系之中。

这种在效率方面实施的降维打击，恰是英伟达得以一年更新一次旗舰显卡的关键奥秘所在。对于芯片工程师而言，这既是一种危机同时也是一次机遇。人类正从繁杂的布线以及搬运单元当中脱离出来，被迫朝着更高层次的架构思考以及更为复杂的创造性决策方向演进。在此处，计算已不再单单是芯片的目标，计算已然转变为芯片诞生的根源。

要是你的工作范畴主要是去应对那些重复出现的技术类任务，你会抉择主动开展AI技能的学习，还是坐等被淘汰？欢迎于评论区域分享你的见解，也千万不要忘记给同样正思索这个问题的友人点赞以及转发。