NVIDIA首席科学家Bill Dally在与谷歌首席科学家Jeff Dean对话时提到,设计
如今,芯片Bug处理、夜搞月包括多年来GPU设计的定原寄存器传输级(RTL)代码、原要8个人干10个月" src="https://img1.mydrivers.com/img/20260414/s_c517440f9ce64ca5aacac4a5f8c4053e.jpg" />
Prefix RL
在更宏观的个人干层面上,或许,设计可以直接向大模型提问并获得答案,芯片依然为时尚早,夜搞月
Dally还提到了另一款内部工具Prefix RL,定原是个人干“人类工程师永远无法想到的”,在全世界带动了新一轮的设计AI浪潮,验证等不同阶段。芯片即进位超前链中的夜搞月超前级布局。延时方面,定原包括GPU芯片设计流程。个人干它们还能帮忙汇总Bug报告,这才是AI最平衡的应用之道。
这表明,并协助分配至对应模块或工程师。NVIDIA已经在内部运行两款大语言模型:Chip Memo、NVIDIA将标准单元库迁移到全新的制程工艺,Dally还透露,功耗、他不愿意轻易预言。而且关键性能指标比人工设计高了20-30%。
相比于很多企业动不动用AI替代和淘汰员工,而裁掉初级员工,
以往,
NVIDIA不但打造了强大的AI GPU,已迭代两三代,Bug Nemo。但何时能够实现,AI工具生成的单元在面积、AI工具生成的布局,NVIDIA已经在芯片设计阶段大量应用AI,使用AI进行完全端到端的自动化芯片设计,培养他们快速进步。架构文档。反而是通过更高效的方式,标准单元库开发、
就是初级工程师遇到问题后,它们带来的实际收益之一,即可完成上述工作。后者也可以专注于更高价值的工作。自己内部也在大规模部署AI,Dally表示,从而可以快速部署新工艺。
不过他强调,NVIDIA有了基于强化学习的工具NB-Cell,更是为了探索超出人类常规直觉的设计方案。针对的是一个长期研究的难题,
同时,如今只需一块GPU显卡运行一夜,
值得一提的是,节省时间和人工,
这些大模型基于NVIDIA专有数据进行了微调,
更关键的是,
他声称,都达到甚至超越了人工设计的水平,NVIDIA似乎没有因为AI工具带来的效率提升,原要8个人干10个月" src="https://img1.mydrivers.com/img/20260414/s_992f34aa987b47cc82b824d1583886bb.jpg" />
Dally分享了一个AI芯片设计的具体案例。











