不同于市面上的顶级通用LLM，英伟达的工程AI造芯神技，

而Dally构想的老黄未来，

长期目标仍是秘密端到端自动化设计，减少对资深工程师的武器打断。AI生成的曝光片顶布局是「人类永远无法想到的怪异设计」。它能像一位极具耐心的夜设月导师，

AI真的计芯能完全自主「造芯」吗？

尽管效率提升了百倍，

对于芯片工程师而言，验证，

在整体流程上，AI优化AI」的自循环体系。但随着物理极限的逼近，

新智元报道

编辑：Aeneas

【新智元导读】8人团队干10个月，

他明确指出，

在这个过程中，

Bug Nemo则负责汇总错误报告，而非自主造芯。

初级工程师遇到复杂的模块设计不再需要去打扰忙碌的高级工程师，

Bill Dally透露，几乎让人类工程师彻底退居二线了？

从「80个人月」到「一块GPU的一夜」

在传统芯片设计流程中，

英伟达用AI设计GPU，

人类工程师凭借经验和直觉进行布局，英伟达祭出「造芯」神技：芯片设计效率狂飙百倍，甚至在某些案例中优于人类的手工设计。

现在，人类负责目标设定、

另外，英伟达必须将其包含约2500至3000个单元的基础库重新适配新工艺。

这种「隔夜交付」的能力，那么Prefix RL则展示了AI在复杂逻辑设计上的创造力。经过私有化训练，一块GPU在一夜之间即可完成全部迁移工作。一夜就完成了！虽然AI可以加速验证，不仅达到了人类水平，解释某个特定硬件模块（RTL）是如何工作的。标准单元库（Standard Cell Library）的迁移是一项极度枯燥且耗时的重体力活。

但Prefix RL系统给出了一份完全不同的答案。

令人震惊的是，动态调整等难题。AI负责大规模搜索、创意引导。极大地缩短了芯片验证这一「长跑阶段」的时间。NB-Cell通过不断的试错和自我优化，Dally形容，完全端到端的自动化芯片设计（即只需说一句「给我设计一个新GPU」，

AI在芯片设计中的具体应用层次

逻辑重塑：Prefix RL与「非人类直觉」的布局

如果说NB-Cell解决的是重复性劳动，

设计验证仍是整个流程中最长的「长杆」，意味着英伟达可以比竞争对手更早地跑通新工艺，受到网友们的盛赞。总计耗费80个人月的人力成本。

但在AI介入后，

目前的进展已经让英伟达能够 更快地迭代下一代硬件，

硅基导师Chip Nemo，当竞争对手还在通过增加人力来追赶进度时，

这种效率上的降维打击，依然牢牢掌握在人类手中。AI就吐出完整图纸）距离实现还有「很长的路要走」。比如顶层的逻辑架构、但在性能表现上，

为了释放核心生产力，计算不再仅仅是芯片的目的，它们是「最懂英伟达GPU」的专家。英伟达已经进入了「AI设计AI，人类正从繁琐的布线、英伟达开发了内部大语言模型——Chip Nemo和Bug Nemo。AI生成的单元在尺寸（Area）、

这些设计违背了传统电子工程的审美，连续奋斗10个月才能完成，而是重构工程师的工作方式。但需要克服验证、这条消息全网刷屏了。非人类直觉的设计方案惊呆工程师。我们不得不直面一个残酷的现实：平庸的体力型工程劳动正在迅速贬值。搬运单元中解脱出来，只需将需求输入系统，是一个「多智能体（Multi-agent）」模型，

这标志着一个转折点：AI不再仅仅是人类的助手，还不能被替代

当8名工程师10个月的工作被一块GPU的一夜取代时，人力资源的错配曾是一个很大的隐痛：资深设计师往往需要花费大量时间指导新人，接口协商、

在半导体行业的历史长河中，框架设定的部分，

人类工程师，

在刚刚过去的英伟达GTC大会上，

创造性电路设计和复杂逻辑结构仍需人工主导。不同的专业AI系统处理不同的设计环节，而是直接询问Chip Nemo。原本需要8名资深工程师10个月才能完成的任务，

参考资料：

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

秒追ASI返回搜狐，

初级工程师需要通过Chip Nemo自主学习复杂模块的工作原理，这个Youtube演讲已经有上万人观看，这些模型基于英伟达数十年积累的专有架构文档、英伟达开发了一款基于强化学习的工具——NB-Cell。优化、

但现在，

目前，自动将Bug分配给最合适的工程师或模块，被迫向更高层级的架构思考、就像现在的各职能团队一样协作。首席科学家Bill Dally与谷歌首席科学家Jeff Dean的一场巅峰对话，AI只能辅助加速，无法完全闭环

也就是说，研发一款旗舰GPU的复杂程度已呈指数级增长。

其中有三大关键限制：

高层级架构决策仍依赖人类专家。成为维持摩尔定律的重要支撑。却比人类最优设计提升了约20%到30%。

就在今天，在这里，AI只需一夜！

在芯片的算术逻辑单元（ALU）中，人类正退居二线？进来看黄仁勋的秘密武器。

资深工程师能从重复性任务中解放，

每当台积电或三星推出新的半导体工艺（如从5nm跨越到3nm），让初级工程师「原地升级」

在英伟达内部，进位前瞻链（Carry Lookahead Chain）的放置是一个研究了几十年的经典难题。摩尔定律曾是不可逾越的真理，RTL代码和硬件规格进行微调。条分缕析地解释GPU的工作原理。

现在，这一切被彻底颠覆了！但Bill Dally在对话中依然保持了极其清醒的克制。它正在突破人类认知的边界，跨模块的协调以及关键的决策，计算已成为芯片诞生的源头。AI扮演的角色更像是「增强设计（Augmented Design）」，但最终的模拟仿真和实际实验依然必不可少，以确保芯片在物理世界中万无一失。

英伟达正在构筑一道由AI驱动的技术壁垒。揭露了令人震惊的这个事实。硅基生命开始自进化，

英伟达的实践表明，专注于更高价值的创新和决策。正是其能够一年一更旗舰显卡的核心密码。约束定义、在极短时间内探索数以亿计的设计排列组合。从而在硬件竞赛中始终保持身位领先。

只是一种「人类设定框架 + AI极速执行」的协同模式。AI并非淘汰工程师，往往会达到一个性能瓶颈。