Proprio oggi, questa notizia ha fatto il giro del web. NVIDIA ha utilizzato l'intelligenza artificiale nella progettazione dei chip per realizzare le GPU: un compito che originariamente richiedeva il lavoro di 8 ingegneri senior per 10 mesi \u00e8 stato completato in una notte. Al recente GTC di NVIDIA, una conversazione di altissimo livello tra lo scienziato capo Bill Dally e lo scienziato capo di Google Jeff Dean ha rivelato questo fatto sconvolgente.<\/p>\n\n\n\n
Al momento, questo discorso su YouTube \u00e8 gi\u00e0 stato visto da decine di migliaia di persone e ha ricevuto forti apprezzamenti online. Nella lunga storia dell'industria dei semiconduttori, la legge di Moore era una volta una verit\u00e0 infrangibile. Ma con l'avvicinarsi dei limiti fisici, la complessit\u00e0 dello sviluppo di una GPU di punta \u00e8 cresciuta in modo esponenziale. Ora l'intelligenza artificiale nella progettazione dei chip fa quasi passare in secondo piano gli ingegneri umani?<\/p>\n\n\n\n
Nei tradizionali flussi di lavoro di progettazione dei chip, la migrazione della libreria di celle standard \u00e8 un'operazione estremamente noiosa e laboriosa. Ogni volta che TSMC o Samsung introducono un nuovo processo di semiconduttori (come il passaggio da 5 nm a 3 nm), NVIDIA deve riadattare la sua libreria di base di circa 2.500-3.000 celle al nuovo processo.<\/p>\n\n\n\n
Bill Dally ha rivelato che in passato questo compito richiedeva un team di 8 ingegneri senior che lavoravano ininterrottamente per 10 mesi, per un totale di 80 mesi-persona. Ma dopo l'intervento dell'intelligenza artificiale, tutto \u00e8 stato ribaltato.<\/p>\n\n\n\n
Ora, NVIDIA ha sviluppato uno strumento basato sull'apprendimento per rinforzo, NB-Cell. Inserendo semplicemente i requisiti nel sistema, una GPU pu\u00f2 completare l'intera migrazione in una notte. Durante questo processo, NB-Cell esplora continuamente centinaia di milioni di combinazioni di progetti attraverso il trial-and-error e l'auto-ottimizzazione in tempi brevissimi.<\/p>\n\n\n\n
Ci\u00f2 che colpisce \u00e8 che le celle generate dall'intelligenza artificiale, in metriche chiave quali area, potenza e ritardo, non solo raggiungono prestazioni di livello umano, ma in alcuni casi superano i progetti umani manuali. Questa capacit\u00e0 di \u201cconsegna immediata\u201d significa che NVIDIA pu\u00f2 convalidare i nuovi processi prima dei concorrenti, mantenendo una posizione di leadership nella corsa all'hardware.<\/p>\n\n\n\n
Se NB-Cell risolve il lavoro ripetitivo, Prefix RL mostra la creativit\u00e0 dell'intelligenza artificiale nella progettazione di logiche complesse. Nell'unit\u00e0 logica aritmetica (ALU) di un chip, il posizionamento della catena Carry Lookahead \u00e8 un problema classico studiato da decenni.<\/p>\n\n\n\n
Gli ingegneri umani si affidano all'esperienza e all'intuizione per il layout, spesso raggiungendo un tetto massimo di prestazioni. Ma il sistema Prefix RL ha prodotto una risposta completamente diversa.<\/p>\n\n\n\n
Dally ha descritto i layout generati dall'intelligenza artificiale come \u201cstrani progetti a cui gli esseri umani non avrebbero mai pensato\u201d. Questi progetti sono contrari all'estetica tradizionale dell'ingegneria elettronica, ma le prestazioni migliorano di circa 20% - 30% rispetto ai migliori progetti umani.<\/p>\n\n\n\n
Questo segna un punto di svolta: L'intelligenza artificiale nella progettazione dei chip non si limita pi\u00f9 ad assistere l'uomo, ma si spinge oltre i limiti cognitivi umani, alla ricerca di \u201csoluzioni ottimali\u201d nascoste in milioni di dimensioni.<\/p>\n\n\n\n
All'interno di NVIDIA, il disallineamento delle risorse umane era un punto dolente. I progettisti senior spesso trascorrevano grandi quantit\u00e0 di tempo a guidare i junior, spiegando il funzionamento di specifici moduli hardware (RTL).<\/p>\n\n\n\n
Per liberare la produttivit\u00e0 del core, NVIDIA ha sviluppato modelli linguistici interni di grandi dimensioni - Chip Nemo e Bug Nemo.<\/p>\n\n\n\n
A differenza degli LLM generici presenti sul mercato, questi modelli vengono messi a punto sulla base dei documenti di architettura, del codice RTL e delle specifiche hardware proprietari di NVIDIA, accumulati nel corso di decenni. Dopo una formazione privata, diventano \u201cesperti che comprendono al meglio le GPU NVIDIA\u201d.\u201d<\/p>\n\n\n\n
Gli ingegneri junior non devono pi\u00f9 interrompere gli ingegneri senior impegnati quando devono affrontare progetti di moduli complessi: possono chiedere direttamente a Chip Nemo. Si comporta come un mentore molto paziente, spiegando passo dopo passo i principi di funzionamento della GPU.<\/p>\n\n\n\n
Bug Nemo, invece, aggrega le segnalazioni di errori e assegna automaticamente i bug agli ingegneri o ai moduli pi\u00f9 adatti, abbreviando notevolmente la fase di verifica dei chip, la \u201ccorsa a distanza\u201d.<\/p>\n\n\n\n
Nonostante l'aumento di cento volte dell'efficienza, Bill Dally \u00e8 rimasto estremamente lucido e moderato nella discussione. Ha sottolineato esplicitamente che la progettazione di chip completamente automatizzata end-to-end, in cui basta dire \u201cprogettami una nuova GPU\u201d e l'intelligenza artificiale produce un progetto completo, \u00e8 ancora \u201cmolto lontana\u201d.\u201d<\/p>\n\n\n\n
Attualmente, l'intelligenza artificiale nella progettazione di chip svolge pi\u00f9 un ruolo di \u201cprogettazione aumentata\u201d che di creazione autonoma di chip.<\/p>\n\n\n\n
Le limitazioni principali sono tre:<\/p>\n\n\n\n
Le decisioni architettoniche di alto livello si basano ancora sull'esperienza umana.<\/p>\n\n\n\n
La progettazione di circuiti creativi e di strutture logiche complesse \u00e8 ancora guidata dagli esseri umani.<\/p>\n\n\n\n
La verifica della progettazione \u00e8 ancora il \u201cpolo\u201d pi\u00f9 lungo del processo. L'intelligenza artificiale pu\u00f2 aiutare l'accelerazione, ma non pu\u00f2 chiudere completamente il cerchio.<\/p>\n\n\n\n
In altre parole, i compiti di impostazione del framework, come l'architettura di primo livello, il coordinamento tra moduli e le decisioni chiave, rimangono saldamente nelle mani dell'uomo. Inoltre, sebbene l'intelligenza artificiale possa accelerare la verifica, la simulazione finale e i test sul mondo reale sono ancora necessari per garantire che i chip funzionino perfettamente nella realt\u00e0 fisica.<\/p>\n\n\n\n
La pratica di NVIDIA dimostra che l'IA non sta sostituendo gli ingegneri, ma sta rimodellando il modo in cui gli ingegneri lavorano.<\/p>\n\n\n\n
Gli ingegneri junior utilizzano Chip Nemo per imparare moduli complessi in modo indipendente, riducendo le interruzioni per il personale senior. Gli ingegneri senior vengono liberati da compiti ripetitivi e possono concentrarsi su innovazioni e processi decisionali di maggior valore.<\/p>\n\n\n\n
In tutto il flusso di lavoro, l'intelligenza artificiale gestisce la ricerca, l'ottimizzazione e la verifica su larga scala, mentre l'uomo definisce obiettivi, vincoli e direzione creativa.<\/p>\n\n\n\n
Si tratta essenzialmente di un modello collaborativo del tipo \u201cl'uomo imposta il contesto + l'IA esegue ad alta velocit\u00e0\u201d.\u201d<\/p>\n\n\n\n
Dally immagina un futuro con modelli \u201cmulti-agente\u201d, in cui diversi sistemi di intelligenza artificiale specializzati gestiscono diverse fasi di progettazione, collaborando come i team funzionali di oggi.<\/p>\n\n\n\n
L'obiettivo a lungo termine rimane la progettazione automatizzata end-to-end, ma devono ancora essere risolte sfide come la verifica, la negoziazione delle interfacce e la regolazione dinamica.<\/p>\n\n\n\n
I progressi attuali consentono gi\u00e0 a NVIDIA di iterare pi\u00f9 rapidamente l'hardware di prossima generazione, diventando un importante supporto per sostenere la Legge di Moore.<\/p>\n\n\n\n
Quando 10 mesi di lavoro di 8 ingegneri vengono sostituiti da una notte su una GPU, dobbiamo affrontare una dura realt\u00e0: il lavoro di ingegneria mediocre e ad alta intensit\u00e0 di lavoro si sta rapidamente deprezzando.<\/p>\n\n\n\n
NVIDIA sta costruendo una barriera tecnologica guidata dall'AI. Mentre i concorrenti stanno ancora cercando di recuperare terreno aggiungendo manodopera, NVIDIA \u00e8 gi\u00e0 entrata in un sistema auto-rinforzante di \u201cAI che progetta AI, AI che ottimizza AI\u201d.\u201d<\/p>\n\n\n\n
Questo tipo di vantaggio in termini di efficienza \u00e8 il motivo per cui l'azienda pu\u00f2 rilasciare una nuova scheda grafica di punta ogni anno.<\/p>\n\n\n\n
Per gli ingegneri dei chip, si tratta di una crisi e di un'opportunit\u00e0. Gli esseri umani sono stati liberati dal tedioso cablaggio e dalla migrazione delle cellule, costretti a evolvere verso un pensiero architettonico di livello superiore e decisioni creative pi\u00f9 complesse.<\/p>\n\n\n\n
In questa nuova era di progettazione di chip basati sul silicio, il calcolo non \u00e8 pi\u00f9 solo lo scopo dei chip, ma \u00e8 diventato l'origine stessa della creazione dei chip.<\/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\/it\/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\/it\/wp-json\/wp\/v2\/posts\/2666","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/comments?post=2666"}],"version-history":[{"count":1,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/posts\/2666\/revisions"}],"predecessor-version":[{"id":2670,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/posts\/2666\/revisions\/2670"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/media\/2669"}],"wp:attachment":[{"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/media?parent=2666"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/categories?post=2666"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/tags?post=2666"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}