NVIDIA不但打造了强大的设计AI GPU，在全世界带动了新一轮的芯片AI浪潮，自己内部也在大规模部署AI，夜搞月包括GPU芯片设计流程。定原

NVIDIA首席科学家Bill Dally在与谷歌首席科学家Jeff Dean对话时提到，个人干NVIDIA已经在芯片设计阶段大量应用AI，设计包括设计探索、芯片标准单元库开发、夜搞月Bug处理、定原验证等不同阶段。个人干

不过他强调，设计使用AI进行完全端到端的芯片自动化芯片设计，依然为时尚早，夜搞月但何时能够实现，定原他不愿意轻易预言。个人干

Dally分享了一个AI芯片设计的具体案例。

以往，NVIDIA将标准单元库迁移到全新的制程工艺，需要一个8人团队工作10个月，也就是80人月的工作量。

如今，NVIDIA有了基于强化学习的工具NB-Cell，已迭代两三代，如今只需一块GPU显卡运行一夜，即可完成上述工作。

更关键的是，AI工具生成的单元在面积、功耗、延时方面，都达到甚至超越了人工设计的水平，从而可以快速部署新工艺。

Dally还提到了另一款内部工具Prefix RL，针对的是一个长期研究的难题，即进位超前链中的超前级布局。

他声称，AI工具生成的布局，是“人类工程师永远无法想到的”，而且关键性能指标比人工设计高了20-30％。

这表明，NVIDIA使用AI不仅仅是为了提高效率、节省时间和人工，更是为了探索超出人类常规直觉的设计方案。

Prefix RL

在更宏观的层面上，Dally还透露，NVIDIA已经在内部运行两款大语言模型：Chip Memo、Bug Nemo。

这些大模型基于NVIDIA专有数据进行了微调，包括多年来GPU设计的寄存器传输级(RTL)代码、架构文档。

Dally表示，它们带来的实际收益之一，就是初级工程师遇到问题后，可以直接向大模型提问并获得答案，不再需要反复向资深设计师请教，后者也可以专注于更高价值的工作。

同时，它们还能帮忙汇总Bug报告，并协助分配至对应模块或工程师。

值得一提的是，NVIDIA似乎没有因为AI工具带来的效率提升，而裁掉初级员工，反而是通过更高效的方式，培养他们快速进步。

相比于很多企业动不动用AI替代和淘汰员工，或许，这才是AI最平衡的应用之道。