新智元報道

編輯：Aeneas

【新智元導讀】8人團隊干10個月，AI只需一夜！英偉達祭出「造芯」神技：芯片設計效率狂飆百倍，非人類直覺的設計方案驚呆工程師。硅基生命開始自進化，人類正退居二線？進來看黃仁勛的秘密武器。

就在今天，這條消息全網(wǎng)刷屏了。

英偉達用AI設計GPU，原本需要8名資深工程師10個月才能完成的任務，一夜就完成了！

在剛剛過去的英偉達GTC大會上，首席科學家Bill Dally與谷歌首席科學家Jeff Dean的一場巔峰對話，揭露了令人震驚的這個事實。

現(xiàn)在，這個Youtube演講已經(jīng)有上萬人觀看，受到網(wǎng)友們的盛贊。

在半導體行業(yè)的歷史長河中，摩爾定律曾是不可逾越的真理，但隨著物理極限的逼近，研發(fā)一款旗艦GPU的復雜程度已呈指數(shù)級增長。

但現(xiàn)在，英偉達的AI造芯神技，幾乎讓人類工程師徹底退居二線了？

從「80個人月」到「一塊GPU的一夜」

在傳統(tǒng)芯片設計流程中，標準單元庫（Standard Cell Library）的遷移是一項極度枯燥且耗時的重體力活。

每當臺積電或三星推出新的半導體工藝（如從5nm跨越到3nm），英偉達必須將其包含約2500至3000個單元的基礎(chǔ)庫重新適配新工藝。

Bill Dally透露，過去這項任務需要一個由8名資深工程師組成的團隊，連續(xù)奮斗10個月才能完成，總計耗費80個人月的人力成本。

但在AI介入后，這一切被徹底顛覆了！

現(xiàn)在，英偉達開發(fā)了一款基于強化學習的工具——NB-Cell。只需將需求輸入系統(tǒng)，一塊GPU在一夜之間即可完成全部遷移工作。

在這個過程中，NB-Cell通過不斷的試錯和自我優(yōu)化，在極短時間內(nèi)探索數(shù)以億計的設計排列組合。

令人震驚的是，AI生成的單元在尺寸（Area）、功耗（Power）和延遲（Delay）等核心指標上，不僅達到了人類水平，甚至在某些案例中優(yōu)于人類的手工設計。

這種「隔夜交付」的能力，意味著英偉達可以比競爭對手更早地跑通新工藝，從而在硬件競賽中始終保持身位領(lǐng)先。

AI在芯片設計中的具體應用層次

邏輯重塑：Prefix RL與「非人類直覺」的布局

如果說NB-Cell解決的是重復性勞動，那么Prefix RL則展示了AI在復雜邏輯設計上的創(chuàng)造力。

在芯片的算術(shù)邏輯單元（ALU）中，進位前瞻鏈（Carry Lookahead Chain）的放置是一個研究了幾十年的經(jīng)典難題。

人類工程師憑借經(jīng)驗和直覺進行布局，往往會達到一個性能瓶頸。

但Prefix RL系統(tǒng)給出了一份完全不同的答案。Dally形容，AI生成的布局是「人類永遠無法想到的怪異設計」。

這些設計違背了傳統(tǒng)電子工程的審美，但在性能表現(xiàn)上，卻比人類最優(yōu)設計提升了約20%到30%。

這標志著一個轉(zhuǎn)折點：AI不再僅僅是人類的助手，它正在突破人類認知的邊界，去尋找那些隱藏在數(shù)百萬維空間中的「最優(yōu)解」。

硅基導師Chip Nemo，讓初級工程師「原地升級」

在英偉達內(nèi)部，人力資源的錯配曾是一個很大的隱痛：資深設計師往往需要花費大量時間指導新人，解釋某個特定硬件模塊（RTL）是如何工作的。

為了釋放核心生產(chǎn)力，英偉達開發(fā)了內(nèi)部大語言模型——Chip Nemo和Bug Nemo。

不同于市面上的通用LLM，這些模型基于英偉達數(shù)十年積累的專有架構(gòu)文檔、RTL代碼和硬件規(guī)格進行微調(diào)。經(jīng)過私有化訓練，它們是「最懂英偉達GPU」的專家。

初級工程師遇到復雜的模塊設計不再需要去打擾忙碌的高級工程師，而是直接詢問Chip Nemo。它能像一位極具耐心的導師，條分縷析地解釋GPU的工作原理。

Bug Nemo則負責匯總錯誤報告，自動將Bug分配給最合適的工程師或模塊，極大地縮短了芯片驗證這一「長跑階段」的時間。

AI真的能完全自主「造芯」嗎？

盡管效率提升了百倍，但Bill Dally在對話中依然保持了極其清醒的克制。

他明確指出，完全端到端的自動化芯片設計（即只需說一句「給我設計一個新GPU」，AI就吐出完整圖紙）距離實現(xiàn)還有「很長的路要走」。

目前，AI扮演的角色更像是「增強設計（Augmented Design）」，而非自主造芯。

其中有三大關(guān)鍵限制：

高層級架構(gòu)決策仍依賴人類專家。

創(chuàng)造性電路設計和復雜邏輯結(jié)構(gòu)仍需人工主導。

設計驗證仍是整個流程中最長的「長桿」，AI只能輔助加速，無法完全閉環(huán)

也就是說，框架設定的部分，比如頂層的邏輯架構(gòu)、跨模塊的協(xié)調(diào)以及關(guān)鍵的決策，依然牢牢掌握在人類手中。

另外，雖然AI可以加速驗證，但最終的模擬仿真和實際實驗依然必不可少，以確保芯片在物理世界中萬無一失。

英偉達的實踐表明，AI并非淘汰工程師，而是重構(gòu)工程師的工作方式。

初級工程師需要通過Chip Nemo自主學習復雜模塊的工作原理，減少對資深工程師的打斷。

資深工程師能從重復性任務中解放，專注于更高價值的創(chuàng)新和決策。

在整體流程上，AI負責大規(guī)模搜索、優(yōu)化、驗證，人類負責目標設定、約束定義、創(chuàng)意引導。

只是一種「人類設定框架 + AI極速執(zhí)行」的協(xié)同模式。

而Dally構(gòu)想的未來，是一個「多智能體（Multi-agent）」模型，不同的專業(yè)AI系統(tǒng)處理不同的設計環(huán)節(jié)，就像現(xiàn)在的各職能團隊一樣協(xié)作。

長期目標仍是端到端自動化設計，但需要克服驗證、接口協(xié)商、動態(tài)調(diào)整等難題。

目前的進展已經(jīng)讓英偉達能夠 更快地迭代下一代硬件，成為維持摩爾定律的重要支撐。

人類工程師，還不能被替代

當8名工程師10個月的工作被一塊GPU的一夜取代時，我們不得不直面一個殘酷的現(xiàn)實：平庸的體力型工程勞動正在迅速貶值。

英偉達正在構(gòu)筑一道由AI驅(qū)動的技術(shù)壁壘。當競爭對手還在通過增加人力來追趕進度時，英偉達已經(jīng)進入了「AI設計AI，AI優(yōu)化AI」的自循環(huán)體系。

這種效率上的降維打擊，正是其能夠一年一更旗艦顯卡的核心密碼。

對于芯片工程師而言，這既是危機也是機遇。人類正從繁瑣的布線、搬運單元中解脫出來，被迫向更高層級的架構(gòu)思考、更復雜的創(chuàng)造性決策進化。

在硅基造芯的新紀元。在這里，計算不再僅僅是芯片的目的，計算已成為芯片誕生的源頭。

參考資料：

https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidia-says-ai-cuts-10-month-eight-engineer-gpu-design-task-to-overnight-job-company-is-still-a-long-way-from-ai-designing-chips-without-human-input

https://x.com/bearlyai/status/2043052190982639797