NVIDIA 近日表示，正將 AI 推進到半導體最核心的設計流程，並在部分高複雜度任務中大幅縮短開發時間。
根據公司首席科學家 William Dally 的說法，在 GPU 相關研發流程中，原本需要 8 名工程師耗時約 10 個月完成的標準單元庫移植任務，如今可透過名為 NB-Cell 的強化學習系統，在一夜之間完成。不過，他們也指出，要實現由 AI 完全自主完成晶片設計，仍需一段時間。
GPU 曾受挖礦需求帶動 市場關注延伸至匯率與設備採購
在 AI 成為 NVIDIA 主要成長引擎之前，GPU 產品也曾因加密貨幣挖礦熱潮而受到市場關注。當時，挖礦用戶會留意幣價走勢、 交易手續費、USDT換台幣等匯率變化和電費成本等資訊，作為顯示卡需求的參考之一。
不過，這段業務背景也曾成為法律爭議焦點。投資人指控 NVIDIA 與執行長黃仁勳在 2017 年至 2018 年間隱瞞遊戲顯卡收入對加密貨幣挖礦銷售的依賴，並稱相關風險在 2018 年逐步曝光後，股價曾明顯下跌。相關案件如今已獲法官批准成為集體訴訟案件。此外，美國 SEC 也曾於 2022 年就未揭露挖礦業務對營收影響一事對 NVIDIA 罰款。
AI 應用擴展至晶片開發流程
隨著 AI 與資料中心業務快速擴大，NVIDIA 近年的發展重心也逐步轉向人工智慧相關應用。
除了將標準單元庫移植時間大幅壓縮，公司也透露，AI 已被導入晶片設計的多個階段，包括電路層級優化、系統層級探索，以及設計驗證等流程。在過去，這類任務高度依賴資深工程師經驗，且移植至新製程時需耗費大量人力。現在透過 AI 自主優化，研發團隊能以更快切換至先進製程。
NVIDIA 同時也開發了內部大型語言模型（LLM）Chip Nemo 與 Bug Nemo，並以自家 GPU 的 RTL 與硬體設計文件進行微調訓練。模型可協助初階工程師理解複雜模組與設計文件，減少對資深工程師的依賴。
另外，人工智慧被用於傳統電路設計問題的試錯探索，以及參與晶片開發週期中最耗時的設計驗證階段。Dally 表示，長遠來看，晶片研發可能會朝向多代理 AI 協作模式發展，由不同模型分別處理設計、驗證與優化等任務。不過，距離完全自主設計仍有一段距離。
