NVIDIA不仅为全球提供了驱动AI浪潮的强劲GPU，其自身也在内部大规模应用AI，尤其是在核心的GPU芯片设计流程中。
NVIDIA首席科学家Bill Dally在与谷歌首席科学家Jeff Dean的对话中透露，NVIDIA已将AI深度融入芯片设计流程，覆盖了从设计探索、标准单元库开发到Bug处理和验证等多个关键阶段。
不过，他同时也强调，要实现完全端到端的自动化芯片设计仍然为时过早，至于何时能够实现，他并未给出明确预言。
Dally分享了一个具体案例，展示了AI如何显著提升效率。过去，将标准单元库迁移至全新制程工艺需要一个由8名工程师组成的团队，耗费整整10个月的时间，相当于80个人月的工作量。
如今，情况截然不同。NVIDIA内部研发的、基于强化学习原理的工具NB-Cell，在经过两到三代的迭代后，如今仅需一块GPU显卡运行一个晚上，就能完成上述全部迁移工作。
更关键的是，由AI工具生成的单元在面积、功耗和延时等核心性能指标上，均达到甚至超越了人工设计的水平，这使得采用新工艺的速度得以大幅提升。
Dally还提到了另一款内部工具Prefix RL，它专门用于解决一个长期存在的设计难题——进位超前链中的超前级布局。他声称，AI工具生成的布局方案是“人类工程师永远无法想到的”，并且在关键性能指标上比人工设计高出20%至30%。
这表明，NVIDIA应用AI的目标不仅仅是为了提升效率和节省成本，更是为了探索那些超出人类工程师常规直觉与经验的、更优的设计方案。
在更宏观的层面，Dally透露，NVIDIA已在内部部署运行了两款经过微调的大语言模型：Chip Memo和Bug Nemo。这些模型基于NVIDIA多年积累的专有数据（包括RTL代码和架构文档）进行训练。
它们带来的一个直接收益是，当初级工程师遇到问题时，可以直接向大模型提问并获得解答，无需再频繁打扰资深设计师，后者因此可以更专注于高价值的设计工作。同时，这些模型还能协助汇总Bug报告，并将其智能分配至对应的模块或负责工程师。
值得一提的是，NVIDIA似乎并未因为AI工具带来的效率提升而裁减初级员工。相反，公司正通过这种更高效的知识传递与辅助方式，加速他们的成长。相比于一些企业急于用AI替代人力的做法，这或许展现了AI技术在提升生产力与促进人才发展之间更为平衡的应用之道。
对这类人工智能与硬件设计结合的前沿实践感兴趣？欢迎在云栈社区继续交流探讨。 | 
发表于 2 小时前
|
查看: 3|
回复: 0
