英伟达用 AI 设计芯片：算力飞轮，已经转起来了

半导体行业正在发生一件大事：英伟达正在用 AI 深度参与芯片设计，从电路优化、组件布局到工程验证，全面提速。这不是概念，而是正在落地的产业现实。

作为全球 AI 算力的核心提供者，英伟达造出强大的 GPU 去训练人工智能；而这些 AI，又反过来帮助它设计更强大的下一代芯片。这个听起来像科幻的循环，正在进入半导体产业的核心环节。

在我看来，这件事的意义，远不止“AI 多了一个应用场景”这么简单。它正在改写芯片行业最底层的设计逻辑。过去高度依赖工程师经验、漫长试错与巨额成本的环节，如今开始被 AI 深度进入。

英伟达首席科学家比尔·戴利曾描绘过一个很理想化的场景：未来他只需对 AI 说一句“帮我设计一款新 GPU”，然后去度假，等回来时设计已经完成。这话听起来有些夸张，但它指向的方向一点都不夸张：AI 正在成为芯片设计的重要生产力。

当然，“一句话造芯片”的时代还没到。芯片设计牵扯材料、工艺、电路、功耗、验证、制造等一整套复杂体系，绝非生成文案或图片那么简单。但从英伟达公开的实践来看，AI 造芯不是噱头，而是在真刀真枪地改变行业。

这里说的“AI 造芯”，并不是 AI 独立完成一整颗芯片，而是 AI 正在进入布局、电路优化、代码生成、漏洞分析等关键环节。换句话说，它不是替代全部工程师，而是先把芯片设计中最复杂、最重复、最需要搜索能力的部分重新改写。

过去，芯片工艺从 5 纳米升级到 3 纳米，工程师要重新设计大量基础单元，这是一项庞大且重复的劳动。英伟达的案例显示：这类工作过去可能需要 8 名资深工程师忙 10 个月；现在用自研的 NVCell 系统，一台 GPU 跑一晚上就能完成，面积、功耗、速度指标并不输给人类专家。

NVCell 的核心逻辑很清晰：把遗传算法与强化学习结合起来。AI 在海量方案里自动搜索更优路径，自动修正违规问题。它真正改变的，是过去依靠人工反复试错的设计方式。机器搜索开始替代一部分人工试错，这是芯片设计方法论上的变化。

更震撼的是，AI 不只提高效率，还能做出人类想不到的设计。

英伟达的 PrefixRL 用于加法器、计数器等核心算术电路。AI 设计出来的结构，被比尔·戴利形容为“怪异”：不符合人类工程师直觉，但物理性能极强。

数据也很直观：AI 设计的 64 位加法器，面积节省约 25%，整体优化幅度普遍可达 20%—30%。

这恰恰点出 AI 的真正价值：人类经验往往是“有限时间里的可行解”；而 AI 能在人类没时间、没精力、甚至没意识到的巨大空间里，继续寻找更优解。

除了电路与布局，英伟达还把大语言模型装进芯片设计流程。基于 LLaMA 2，结合内部硬件规范、设计代码和工程文档，他们训练出 ChipNeMo、BugNeMo，相当于懂芯片架构的“内部专家助手”。

工程师可以向它们提设计问题、生成代码片段、分析漏洞报告。这类小而精的垂直模型，在专业任务上甚至可能胜过更大的通用模型。

这也印证了一个关键趋势：未来企业最有价值的 AI，不一定是最大的通用模型，而是吃透自身知识体系的垂直专业模型。它们能把老工程师几十年积累的经验，沉淀成可调用、可复用的能力。

谷歌、学术界和初创公司也在跟进：有人用强化学习优化 TPU，有人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，已经开始加速。

放到更大视角看，半导体行业正在形成一个不可逆的算力飞轮：更强的 GPU，训练更强的 AI；更强的 AI，再帮助设计更强的 GPU。这个循环一旦跑起来，领先者的优势就可能被不断放大。

但我们也不能过度神化。芯片设计里最难的一环依然是验证，一个微小错误都可能带来数亿美元损失。从局部优化到端到端自主设计，中间还有很长的路。顶层架构、产品愿景、商业取舍，短期内仍然离不开人。

所以我更愿意把它定义为：人类与 AI 的新型协作，而不是“AI 取代工程师”。

未来的芯片团队里，人类负责定目标、设边界、做判断；AI 在庞大的设计空间里高速搜索，把更优方案带到人类面前。英伟达用 AI 设计芯片，本质上是把一部分“探索权”交给机器。

当那些“怪异却高效”的 AI 电路，逐步进入真实芯片产品时，我们会看清一个事实：未来的算力，不再只是晶体管的堆叠，而是智能创造智能、算法设计硬件的结果。

比尔·戴利“一句话造芯片”的梦想还很远。但可以确定的是：AI 造芯的算力飞轮，已经转起来了。下一代芯片，正在由人类与 AI 共同设计。

我会持续关注这个方向。因为它不只是英伟达的故事，而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】，持续跟踪 AI 技术进展、芯片行业动态与大模型落地应用，一起看懂这场技术变革的下一步。