Hoy mismo, esta noticia ha inundado todo Internet. NVIDIA ha utilizado la IA en el dise\u00f1o de chips para crear GPU, una tarea que en un principio requiri\u00f3 el trabajo de 8 ingenieros s\u00e9nior durante 10 meses y que se complet\u00f3 de la noche a la ma\u00f1ana. En la reciente GTC de NVIDIA, una conversaci\u00f3n de alto nivel entre el cient\u00edfico jefe Bill Dally y el cient\u00edfico jefe de Google Jeff Dean revel\u00f3 este impactante hecho.<\/p>\n\n\n\n
En estos momentos, esta charla de YouTube ya ha sido vista por decenas de miles de personas y ha recibido grandes elogios en Internet. En la larga historia de la industria de los semiconductores, la Ley de Moore fue en su d\u00eda una verdad inquebrantable. Pero a medida que se acercan los l\u00edmites f\u00edsicos, la complejidad de desarrollar una GPU emblem\u00e1tica ha crecido exponencialmente. Ahora, la IA en el dise\u00f1o de chips casi hace retroceder a los ingenieros humanos...<\/p>\n\n\n\n
En los flujos de trabajo de dise\u00f1o de chips tradicionales, la migraci\u00f3n de la biblioteca de celdas est\u00e1ndar es una tarea extremadamente tediosa y laboriosa. Cada vez que TSMC o Samsung introducen un nuevo proceso de semiconductores (como el paso de 5nm a 3nm), NVIDIA debe readaptar su biblioteca base de entre 2.500 y 3.000 celdas al nuevo proceso.<\/p>\n\n\n\n
Bill Dally revel\u00f3 que, en el pasado, esta tarea requer\u00eda un equipo de 8 ingenieros superiores que trabajaban continuamente durante 10 meses, con un coste total de 80 meses-persona. Pero tras la intervenci\u00f3n de la IA, todo dio un vuelco.<\/p>\n\n\n\n
Ahora, NVIDIA ha desarrollado una herramienta basada en el aprendizaje por refuerzo: NB-Cell. Con s\u00f3lo introducir los requisitos en el sistema, una GPU puede completar toda la migraci\u00f3n de la noche a la ma\u00f1ana. Durante este proceso, NB-Cell explora continuamente cientos de millones de combinaciones de dise\u00f1o mediante el m\u00e9todo de ensayo y error y la autooptimizaci\u00f3n en muy poco tiempo.<\/p>\n\n\n\n
Lo sorprendente es que las celdas generadas por la IA, en m\u00e9tricas clave como \u00e1rea, potencia y retardo, no s\u00f3lo alcanzan el nivel de rendimiento humano, sino que en algunos casos superan a los dise\u00f1os humanos manuales. Esta capacidad de \u201centrega de un d\u00eda para otro\u201d significa que NVIDIA puede validar nuevos procesos antes que sus competidores, manteniendo una posici\u00f3n de liderazgo en la carrera del hardware.<\/p>\n\n\n\n
Si NB-Cell resuelve el trabajo repetitivo, Prefix RL muestra la creatividad de la IA en el dise\u00f1o de l\u00f3gica compleja. En la Unidad L\u00f3gica Aritm\u00e9tica (ALU) de un chip, la colocaci\u00f3n de la cadena de transporte (Carry Lookahead Chain) ha sido un problema cl\u00e1sico estudiado durante d\u00e9cadas.<\/p>\n\n\n\n
Los ingenieros humanos se basan en la experiencia y la intuici\u00f3n para el trazado, y a menudo topan con un l\u00edmite de rendimiento. Pero el sistema Prefix RL dio una respuesta completamente distinta.<\/p>\n\n\n\n
Dally describi\u00f3 los dise\u00f1os generados por la IA como \u201cdise\u00f1os extra\u00f1os que a los humanos nunca se nos ocurrir\u00edan\u201d. Estos dise\u00f1os van en contra de la est\u00e9tica tradicional de la ingenier\u00eda electr\u00f3nica, pero en rendimiento mejoran entre 20% y 30% en comparaci\u00f3n con los mejores dise\u00f1os humanos.<\/p>\n\n\n\n
Esto marca un punto de inflexi\u00f3n: La IA en el dise\u00f1o de chips ya no se limita a ayudar a los humanos, sino que va m\u00e1s all\u00e1 de los l\u00edmites cognitivos humanos, buscando \u201csoluciones \u00f3ptimas\u201d ocultas en millones de dimensiones.<\/p>\n\n\n\n
Dentro de NVIDIA, la falta de adecuaci\u00f3n de los recursos humanos sol\u00eda ser uno de los principales puntos conflictivos. Los dise\u00f1adores senior sol\u00edan dedicar mucho tiempo a guiar a los juniors, explic\u00e1ndoles c\u00f3mo funcionaban determinados m\u00f3dulos de hardware (RTL).<\/p>\n\n\n\n
Para liberar productividad en el n\u00facleo, NVIDIA desarroll\u00f3 grandes modelos ling\u00fc\u00edsticos internos: Chip Nemo y Bug Nemo.<\/p>\n\n\n\n
A diferencia de los LLM de uso general que existen en el mercado, estos modelos se perfeccionan a partir de los documentos de arquitectura, el c\u00f3digo RTL y las especificaciones de hardware exclusivos de NVIDIA acumulados durante d\u00e9cadas. Tras una formaci\u00f3n privada, se convierten en \u201clos expertos que mejor entienden las GPU NVIDIA\u201d.\u201d<\/p>\n\n\n\n
Los ingenieros junior ya no necesitan interrumpir a los ocupados ingenieros senior cuando se enfrentan a complejos dise\u00f1os de m\u00f3dulos: pueden preguntar directamente a Chip Nemo. Act\u00faa como un mentor muy paciente, explicando paso a paso los principios de funcionamiento de la GPU.<\/p>\n\n\n\n
Bug Nemo, por su parte, agrega informes de errores y asigna autom\u00e1ticamente los fallos a los ingenieros o m\u00f3dulos m\u00e1s adecuados, lo que acorta enormemente la fase de verificaci\u00f3n del chip, la etapa de la \u201ccarrera de fondo\u201d.<\/p>\n\n\n\n
A pesar de que la eficiencia se ha multiplicado por cien, Bill Dally se mostr\u00f3 muy l\u00facido y comedido en el debate. Se\u00f1al\u00f3 expl\u00edcitamente que el dise\u00f1o de chips totalmente automatizado de principio a fin -en el que basta con decir \u201cdise\u00f1a una nueva GPU\u201d y la IA genera un plano completo- est\u00e1 todav\u00eda \u201cmuy lejos\u201d.\u201d<\/p>\n\n\n\n
En la actualidad, la IA en el dise\u00f1o de chips desempe\u00f1a m\u00e1s un papel de \u201cdise\u00f1o aumentado\u201d que de creaci\u00f3n aut\u00f3noma de chips.<\/p>\n\n\n\n
Existen tres limitaciones fundamentales:<\/p>\n\n\n\n
Las decisiones arquitect\u00f3nicas de alto nivel siguen dependiendo de la experiencia humana.<\/p>\n\n\n\n
El dise\u00f1o creativo de circuitos y estructuras l\u00f3gicas complejas sigue estando dirigido por humanos.<\/p>\n\n\n\n
La verificaci\u00f3n del dise\u00f1o sigue siendo el \u201cpolo\u201d m\u00e1s largo del proceso. La IA puede contribuir a la aceleraci\u00f3n, pero no puede cerrar completamente el c\u00edrculo.<\/p>\n\n\n\n
En otras palabras, las tareas de definici\u00f3n del marco -como la arquitectura de alto nivel, la coordinaci\u00f3n entre m\u00f3dulos y las decisiones clave- siguen estando en manos humanas. Adem\u00e1s, aunque la IA puede acelerar la verificaci\u00f3n, la simulaci\u00f3n final y las pruebas en el mundo real siguen siendo necesarias para garantizar que los chips funcionen a la perfecci\u00f3n en la realidad f\u00edsica.<\/p>\n\n\n\n
La pr\u00e1ctica de NVIDIA demuestra que la IA no est\u00e1 sustituyendo a los ingenieros, sino transformando su forma de trabajar.<\/p>\n\n\n\n
Los ingenieros junior utilizan Chip Nemo para aprender m\u00f3dulos complejos de forma independiente, reduciendo las interrupciones del personal senior. Los ingenieros s\u00e9nior se liberan de tareas repetitivas y pueden centrarse en la innovaci\u00f3n y la toma de decisiones de mayor valor.<\/p>\n\n\n\n
En todo el flujo de trabajo, la IA se encarga de la b\u00fasqueda a gran escala, la optimizaci\u00f3n y la verificaci\u00f3n, mientras que los humanos definen los objetivos, las limitaciones y la direcci\u00f3n creativa.<\/p>\n\n\n\n
Se trata esencialmente de un modelo colaborativo de \u201chumano establece el marco + IA ejecuta a gran velocidad\u201d.\u201d<\/p>\n\n\n\n
Dally imagina un futuro con modelos \u201cmultiagente\u201d, en los que distintos sistemas especializados de IA se ocupen de las distintas fases del dise\u00f1o, colaborando como lo hacen hoy los equipos funcionales.<\/p>\n\n\n\n
El objetivo a largo plazo sigue siendo el dise\u00f1o automatizado de extremo a extremo, pero a\u00fan hay que resolver retos como la verificaci\u00f3n, la negociaci\u00f3n de interfaces y el ajuste din\u00e1mico.<\/p>\n\n\n\n
Los avances actuales ya permiten a NVIDIA iterar con mayor rapidez las nuevas generaciones de hardware, convirti\u00e9ndose en un importante apoyo para mantener la Ley de Moore.<\/p>\n\n\n\n
Cuando 10 meses de trabajo de 8 ingenieros se sustituyen por una noche en una GPU, tenemos que enfrentarnos a una dura realidad: el trabajo de ingenier\u00eda mediocre y laborioso se deprecia r\u00e1pidamente.<\/p>\n\n\n\n
NVIDIA est\u00e1 construyendo una barrera tecnol\u00f3gica impulsada por la IA. Mientras sus competidores siguen intentando ponerse al d\u00eda a\u00f1adiendo mano de obra, NVIDIA ya ha entrado en un sistema autorreforzado de \u201cIA dise\u00f1ando IA, IA optimizando IA\u201d.\u201d<\/p>\n\n\n\n
Este tipo de ventaja en eficiencia es exactamente la raz\u00f3n por la que puede lanzar una nueva tarjeta gr\u00e1fica insignia cada a\u00f1o.<\/p>\n\n\n\n
Para los ingenieros de chips, esto es tanto una crisis como una oportunidad. Los humanos se est\u00e1n liberando del tedioso cableado y la migraci\u00f3n celular, obligados a evolucionar hacia un pensamiento arquitect\u00f3nico de m\u00e1s alto nivel y decisiones creativas m\u00e1s complejas.<\/p>\n\n\n\n
En esta nueva era del dise\u00f1o de chips basados en silicio, la computaci\u00f3n ya no es s\u00f3lo el prop\u00f3sito de los chips, sino que se ha convertido en el origen mismo de su creaci\u00f3n.<\/p>","protected":false},"excerpt":{"rendered":"
Just today, this news flooded the entire internet. NVIDIA used AI in chip design to build GPUs\u2014a task that originally required 8 senior engineers working for 10 months was completed overnight. At the recent NVIDIA GTC, a peak-level conversation between Chief Scientist Bill Dally and Google Chief Scientist Jeff Dean revealed this shocking fact. Right […]<\/p>\n","protected":false},"author":1,"featured_media":2669,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none","_seopress_titles_title":"%%post_title%%","_seopress_titles_desc":"AI in chip design is reshaping the semiconductor industry. NVIDIA reduced 80 engineer-months of GPU work to one night using AI\u2014faster, smarter, and beyond human intuition. Discover how.","_seopress_robots_index":"","_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[2],"tags":[],"class_list":["post-2666","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news"],"uagb_featured_image_src":{"full":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight.webp",1536,1024,false],"thumbnail":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight-150x150.webp",150,150,true],"medium":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight-300x200.webp",300,200,true],"medium_large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight-768x512.webp",768,512,true],"large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight-1024x683.webp",1024,683,true],"1536x1536":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight.webp",1536,1024,false],"2048x2048":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight.webp",1536,1024,false],"trp-custom-language-flag":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/AI-in-Chip-Design-NVIDIA-Uses-AI-to-Build-GPUs-Overnight-18x12.webp",18,12,true]},"uagb_author_info":{"display_name":"Claude Carter","author_link":"https:\/\/deepinsightai.io\/es\/author\/cloud-han03gmail-com\/"},"uagb_comment_info":0,"uagb_excerpt":"Just today, this news flooded the entire internet. NVIDIA used AI in chip design to build GPUs\u2014a task that originally required 8 senior engineers working for 10 months was completed overnight. At the recent NVIDIA GTC, a peak-level conversation between Chief Scientist Bill Dally and Google Chief Scientist Jeff Dean revealed this shocking fact. Right…","_links":{"self":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2666","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/comments?post=2666"}],"version-history":[{"count":1,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2666\/revisions"}],"predecessor-version":[{"id":2670,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2666\/revisions\/2670"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/media\/2669"}],"wp:attachment":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/media?parent=2666"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/categories?post=2666"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/tags?post=2666"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}