Nvidia научила ИИ проектировать чипы за одну ночь вместо 10 месяцев, но до полной автономии ещё далеко

Nvidia активно внедряет ИИ на каждом этапе разработки графических процессоров, сокращая сроки проектирования с месяцев до часов. Об этом рассказал главный научный сотрудник компании Уильям Дэлли в разговоре с Джеффом Дином из Google.

По его словам, уже сейчас ИИ-инструменты дают прирост производительности на порядки и в отдельных задачах превосходят результаты человеческих команд.

Почти треть офисных работников сознательно саботируют ИИ-системы своих компаний, а среди зумеров это делает почти каждый второй

Один из самых показательных примеров – портирование библиотеки стандартных ячеек. Раньше эта задача, без которой невозможен переход на новый техпроцесс, требовала восемь инженеров и около десяти месяцев работы.

Теперь её решает система на базе обучения с подкреплением под названием NB-Cell: один GPU справляется с тем же объёмом за одну ночь. Библиотека включает порядка 2 500–3 000 ячеек, и прежде это был один из самых трудоёмких этапов всего цикла.

Параллельно Nvidia разработала собственные языковые модели – Chip Nemo и Bug Nemo. Они обучены на закрытой внутренней документации компании, включая спецификации архитектур, аппаратные описания и RTL-код всех GPU, которые Nvidia когда-либо выпускала. По сути, это инженерные ассистенты, способные объяснить младшим разработчикам устройство сложных аппаратных блоков без участия старших специалистов.

Дэлли сказал:

Когда у вас есть начинающий инженер, он может спросить Chip Nemo, и Chip Nemo объяснит, как работают GPU. Это очень терпеливый наставник.

На уровне проектирования схем Nvidia также применяет обучение с подкреплением. ИИ-система перебирает варианты методом проб и ошибок и нередко находит решения, до которых человек попросту не додумался бы.

Дэлли привёл конкретные цифры – такие системы выдают "совершенно абсурдные с точки зрения инженера конфигурации", которые при этом оказываются на 20–30% эффективнее человеческих по площади кристалла, энергопотреблению и производительности.

На более высоком уровне агентные системы Nvidia прогоняют большое количество экспериментов, оценивают разные архитектурные направления и отсеивают неперспективные варианты. Это существенно ускоряет принятие решений на ранних стадиях, когда инженерам предстоит выбрать между множеством компромиссов.

Однако все еще есть этапы, где ИИ пока не готов брать на себя ответственность в полной мере. Верификация проекта – один из самых длительных этапов всего цикла – по-прежнему требует эмуляции и реальных испытаний. ИИ помогает ускорить процесс, но полностью заменить его не может.

Мы хотим сжать это пространство. Самый долгий этап – верификация проекта. Мы активно ищем способы применить ИИ, чтобы доказывать работоспособность проектов быстрее.

Тим Кейн считает будущее с ИИ-генерируемыми играми и сериалами неизбежным и даже "ждёт его с нетерпением"

Конечная цель, которую видит Дэлли, – мультиагентная модель разработки, где специализированные ИИ-системы будут отвечать за разные участки работы, как это делают человеческие команды сегодня. Однако полностью автономного проектирования чипов ждать ещё не скоро.