NVIDIA 首席研究員 Bill Dally 在 GTC 2026 與 Google 首席研究員 Jeff Dean 對談時表示，NVIDIA已經在內部晶片設計流程的多個環節應用了人工智慧，包括設計探索、標準單元庫建置、缺陷處理和驗證，不過要達到完全自動化仍有段距離。
Bill Dally 解釋道，過去要採用新半導體製程時，都必須把大約 2500 - 3000 個標準單元庫移植到新製程上，這通常需要 1 組 8 人團隊耗費 10 個月才能完成。
現在透過自行開發名為 NB-Cell 的 Reinforcement Learning 增強學習程式，只需要一塊 GPU 徹夜運行就能完成這些工作量。而且在單元大小、功耗和延遲等指標，NB-Cell 的成果比人工設計還要好。這能大幅提高生產效率，同時減少向新製程過度的障礙。
PrefixRL
NVIDIA 還有一款名為 PrefixRL 的內部工具，它被用來最佳化電路佈局。Bill Dally 指出 PrefixRL 生成的佈局是人類永遠想不到的，而且關鍵指標還提升 20% - 30%。這意味著 NVIDIA 不只用人工智慧來解省時間，還探索出超越人類直覺的的設計方案。
NVIDIA 一直在運行名為 Chip Nemo 和 Bug Nemo 的內部邏輯學習模型，這些模型已針對 NVIDIA 的 專有資料進行微調，包括多年來設計 GPU 的暫存器傳輸級 (Register Transfer Level, RTL) 與架構文件。
Bill Dally 透露初級工程師可以直接查詢模型，無需反覆詢問資深設計師某個特定模組的工作原理。該系統也能匯總錯誤報告，並幫助將其分配給正確的模組或工程師。這樣來看，NVIDIA 至少沒有用人工智慧裁撤掉初級員工，反而端出更有效率的人員培訓方式。
:quality(60):no_upscale()/https%3A%2F%2Fimg.4gamers.com.tw%2Fckfinder%2Ffiles%2FElvis%2FNews%2F2026-04%2Feda-corp-blog-computex25-ari.jpg%3FversionId%3DBEHaiG_q8k47g9zHgGt.PAu1xFqEv8Vx)