4月4日，NVIDIA不仅发布了强大的AI GPU，还在全球范围内引发了一波新的AI热潮，同时内部也在大规模应用AI技术，尤其是在GPU芯片设计流程方面。
NVIDIA的首席科学家Bill Dally在与谷歌首席科学家Jeff Dean的交流中提到，NVIDIA已经在芯片设计的各个阶段广泛应用AI，包括设计探索、标准单元库开发、bug处理和验证等环节。
尽管如此，他指出，完全依赖AI进行端到端的自动化设计仍然需要时间，关于何时能实现，他不愿做出预测。
Dally分享了一个AI芯片设计的实例。
过去，NVIDIA将标准单元库迁移到全新的工艺流程时，需要一个团队耗时10个月，工作量相当于80个人月。
现在，借助基于强化学习的工具NB-Cell，经过两到三代的迭代，只需一块GPU显卡运行一夜，就能完成相同的工作。
更重要的是，AI工具所生成的单元在面积、功耗和延时等方面，都达到了甚至超过了人工设计的标准，从而加速了新工艺的部署。
Dally还提到另一种内部工具Prefix RL，专注于长期以来的研究难题，即进位超前链中的超前级布局。
他表示，AI生成的布局是“人类工程师无法想象的”，而且在关键性能指标上比人工设计高出20-30%。
这表明，NVIDIA使用AI的目的不仅是提升效率和节省时间，更是为了探索超越人类直觉的设计方案。
在更广泛的层面上，Dally透露NVIDIA内部正在运作两款大型语言模型：ChIP Memos和bug Memo。
这些模型经过NVIDIA专有数据的微调，包括多年来GPU设计的寄存器传输级(RTL)代码和架构文档。
Dally表示，这些模型的实际好处之一是，初级工程师在遇到问题时可以直接向模型提问并获得答案，从而减少了向资深设计师请教的频率，后者得以专注于更高价值的工作。
此外，这些模型还可以帮助汇总bug报告，并将其分配给相应的模块或工程师。
值得注意的是，NVIDIA并未因为AI工具的效率提升而裁减初级员工，而是通过更高效的方式培养他们的成长。
与许多企业动不动就用AI替代员工的做法相比，这无疑是AI应用的更为平衡的方式。
