英伟达不仅利用其强大的AI GPU在全球范围推动了新一轮人工智能热潮，其内部也在广泛部署AI技术，尤其是在GPU芯片的设计环节。公司首席科学家Bill Dally在与谷歌首席科学家Jeff Dean的对谈中提到，英伟达已在芯片设计的多个关键环节引入AI应用，涵盖设计探索、标准单元库构建、Bug诊断与处理以及验证等不同流程阶段。
不过，Dally也谨慎地指出，目前仍不是讨论完全依赖AI进行端到端自动化芯片设计的时刻。谈及这一前景何时能真正实现，他表示自己不愿轻易给出预测。
Dally分享了一个生动的AI应用实例。过去，将标准单元库适配到全新的制程工艺，通常需要一个8人团队投入10个月时间，总工时高达“80人月”。如今，借助名为NB-Cell、基于强化学习开发的内部工具(该工具已迭代数代)，仅需一块GPU显卡进行一夜运算，即可完成同样任务。更重要的是，AI工具生成的单元在芯片面积、功耗及延迟方面，均可比肩甚至超越人工设计的水平，从而帮助公司更快地拥抱新制程节点。
他还提到了另一款内部工具Prefix RL。它解决的是“进位超前链布局”这一长期存在的难题。Dally形容，该AI工具生成的布局方案“是人类工程师永远不可能构想出来的”，并且在关键性能指标上，较传统人工设计提升了20%-30%。这表明，英伟达引入AI的目的不只是提升效率和节省时间，更着眼于发现并实现超出人类常规思维的设计方案。
在更宏观的层面，Dally透露公司内部已运行两个定制的生成式语言模型：Chip Memo与Bug Nemo。它们均基于英伟达多年积累的专有数据集(如GPU的RTL代码和设计架构文档)进行了精细化调优。
这些大模型带来的实际效益之一是，当年轻的工程师遇到问题时，可直接向其提问并迅速获取解答，无需事事求助于资深的工程师。这一改变让经验丰富的专家能专注于价值更高的工作。同时，模型还具备汇总缺陷报告、并精准分派到对应模块或责任工程师的能力。
值得注意的一点是，英伟达并未因为AI工具带来效率的大幅提升就选择裁减初级员工。相反，公司正在探索如何借助AI更高效地培养他们，使人才获得加速成长。相对于某些企业直接将AI作为裁员借口的做法，这种通过技术赋能让员工与公司共同发展的路径，或许才代表了AI应用在未来职场中更为平衡与积极的演进方向。
