NVIDIA不但打造了強(qiáng)大的AI GPU，在全世界帶動了新一輪的AI浪潮，自己內(nèi)部也在大規(guī)模部署AI，包括GPU芯片設(shè)計流程。

NVIDIA首席科學(xué)家Bill Dally在與谷歌首席科學(xué)家Jeff Dean對話時提到，NVIDIA已經(jīng)在芯片設(shè)計階段大量應(yīng)用AI，包括設(shè)計探索、標(biāo)準(zhǔn)單元庫開發(fā)、Bug處理、驗證等不同階段。

不過他強(qiáng)調(diào)，使用AI進(jìn)行完全端到端的自動化芯片設(shè)計，依然為時尚早，但何時能夠?qū)崿F(xiàn)，他不愿意輕易預(yù)言。

Dally分享了一個AI芯片設(shè)計的具體案例。

以往，NVIDIA將標(biāo)準(zhǔn)單元庫遷移到全新的制程工藝，需要一個8人團(tuán)隊工作10個月，也就是80人月的工作量。

如今，NVIDIA有了基于強(qiáng)化學(xué)習(xí)的工具NB-Cell，已迭代兩三代，如今只需一塊GPU顯卡運(yùn)行一夜，即可完成上述工作。

更關(guān)鍵的是，AI工具生成的單元在面積、功耗、延時方面，都達(dá)到甚至超越了人工設(shè)計的水平，從而可以快速部署新工藝。

Dally還提到了另一款內(nèi)部工具Prefix RL，針對的是一個長期研究的難題，即進(jìn)位超前鏈中的超前級布局。

他聲稱，AI工具生成的布局，是“人類工程師永遠(yuǎn)無法想到的”，而且關(guān)鍵性能指標(biāo)比人工設(shè)計高了20-30％。

這表明，NVIDIA使用AI不僅僅是為了提高效率、節(jié)省時間和人工，更是為了探索超出人類常規(guī)直覺的設(shè)計方案。

Prefix RL

在更宏觀的層面上，Dally還透露，NVIDIA已經(jīng)在內(nèi)部運(yùn)行兩款大語言模型：Chip Memo、Bug Nemo。

這些大模型基于NVIDIA專有數(shù)據(jù)進(jìn)行了微調(diào)，包括多年來GPU設(shè)計的寄存器傳輸級(RTL)代碼、架構(gòu)文檔。

Dally表示，它們帶來的實際收益之一，就是初級工程師遇到問題后，可以直接向大模型提問并獲得答案，不再需要反復(fù)向資深設(shè)計師請教，后者也可以專注于更高價值的工作。

同時，它們還能幫忙匯總Bug報告，并協(xié)助分配至對應(yīng)模塊或工程師。

值得一提的是，NVIDIA似乎沒有因為AI工具帶來的效率提升，而裁掉初級員工，反而是通過更高效的方式，培養(yǎng)他們快速進(jìn)步。

相比于很多企業(yè)動不動用AI替代和淘汰員工，或許，這才是AI最平衡的應(yīng)用之道。