英伟达AI造芯：算力飞轮加速转动
半导体领域正迎来重大变革：英伟达正借助 AI 深度介入芯片研发，涵盖电路改良、元件布局及工程验证等环节，实现全方位加速。这并非空谈，而是实实在在的产业现状。
身为全球 AI 算力的主要供应商，英伟达制造出强劲的 GPU 用于训练人工智能；而这些 AI 技术，又反过来助力其研发更卓越的下一代芯片。这种看似科幻小说般的循环，正逐步渗透进半导体产业的关键流程。
依我之见，此事的深远意义，绝非“AI 增加了一个应用场景”所能概括。它正在重塑芯片行业最基础的设计法则。昔日那些极度依赖工程师经验、漫长试错及高昂成本的流程，如今正被 AI 深度介入。
英伟达首席科学家比尔·戴利曾勾勒出一个极具想象力的画面：未来他只需向 AI 下达指令“帮我设计一款新 GPU”，随后去度假，归来时设计便已大功告成。这番话虽显夸张，但其揭示的趋势却十分真实：AI 正演变为芯片设计的关键生产力。
诚然，“一句话造芯片”的时代尚未降临。芯片设计涉及材料、工艺、电路、能耗、验证及制造等一系列复杂体系，绝非生成文案或图片那般轻松。不过从英伟达公开的实践来看，AI 造芯并非噱头，而是实实在在地变革着行业。
此处所言的“AI 造芯”，并非指 AI 独立完成整颗芯片，而是 AI 正涉足布局、电路改良、代码编写及漏洞分析等核心环节。换言之，它并非要取代所有工程师，而是率先重构芯片设计中那些最繁杂、最重复且最需检索能力的部分。
以往，芯片工艺从 5 纳米演进至 3 纳米，工程师需重新设计大量基础单元，这是一项浩大且枯燥的任务。英伟达的案例表明：此类工作昔日或许需 8 位资深工程师耗时 10 个月；如今利用自研的 NVCell 系统，单台 GPU 运行一晚即可搞定，且在面积、能耗及速度指标上不输人类专家。
NVCell 的核心逻辑十分明确：将遗传算法与强化学习相融合。AI 在海量方案中自动探寻更优路径，并自动修正违规问题。它真正变革的，是往昔依赖人工反复试错的设计模式。机器检索正逐步替代部分人工试错，这是芯片设计方法论层面的革新。
更为惊人的是，AI 不仅提升了效率，还能创造出人类未曾设想的设计方案。
英伟达的 PrefixRL 应用于加法器、计数器等核心算术电路。AI 设计出的结构，被比尔·戴利形容为“怪异”：虽不符合人类工程师的直觉，但其物理性能却极为强悍。
数据同样直观：AI 设计的 64 位加法器，面积缩减约 25%，整体优化幅度普遍能达到 20%—30%。
这正好揭示了 AI 的核心价值：人类经验往往是“有限时间内的可行解”；而 AI 则能在人类无暇顾及、无力探索甚至未曾意识到的广阔空间中，持续探寻更优解。
除电路与布局外，英伟达还将大语言模型融入芯片设计流程。他们基于 LLaMA 2，结合内部硬件规范、设计代码及工程文档，训练出 ChipNeMo 和 BugNeMo，相当于精通芯片架构的“内部专家助手”。
工程师可向其咨询设计问题、生成代码片段及分析漏洞报告。这类小而美的垂直模型，在专业任务上甚至可能超越更大的通用模型。
这也印证了一个重要趋势：未来企业最具价值的 AI，未必是最大的通用模型，而是吃透自身知识体系的垂直专业模型。它们能将资深工程师数十年的经验积累，沉淀为可调用、可复用的能力。
谷歌、学术界及初创公司亦在跟进：有人利用强化学习优化 TPU，有人采用深度学习设计通信电路，也有人尝试用 AI Agent 生成 CPU 架构。围绕 AI 造芯的新一轮竞赛，已然开始加速。
置于更宏大的视角审视，半导体行业正构建一个不可逆的算力飞轮：更强的 GPU 训练出更强的 AI；更强的 AI 再助力设计更强的 GPU。这一循环一旦启动，领先者的优势便可能被持续放大。
但我们亦不可过度神化。芯片设计中最棘手的一环仍是验证，一个微小的错误都可能导致数亿美元的损失。从局部优化迈向端到端自主设计，中间尚有漫长的路途。顶层架构、产品愿景及商业权衡，短期内仍离不开人的参与。
因此，我更倾向于将其定义为：人类与 AI 的新型协作模式，而非“AI 取代工程师”。
在未来的芯片团队中，人类负责设定目标、划定边界及做出决策；AI 则在庞大的设计空间中高速检索，将更优的方案呈现在人类面前。英伟达利用 AI 设计芯片，本质上是将一部分“探索权”移交给了机器。
当那些“怪异却高效”的 AI 电路逐步融入真实的芯片产品时，我们将看清一个事实：未来的算力，不再仅仅是晶体管的堆叠，而是智能创造智能、算法设计硬件的产物。
比尔·戴利“一句话造芯片”的梦想虽尚遥远。但可以确定的是：AI 造芯的算力飞轮，已然转动起来。下一代芯片，正由人类与 AI 共同设计。
我将持续关注这一方向。因为这不仅是英伟达的故事，更是人工智能开始重塑科技底层基础设施的一个标志。
关注【亨利笔记】，持续追踪 AI 技术演进、芯片行业动态及大模型落地应用，共同看懂这场技术变革的下一步。