Все повече отрасли се опитват да използват предимствата на изкуствения интелект. Проектирането и производството на чипове също не правят изключение: различни AI функции позволяват монотонните задачи, които поглъщат много инженерни работни часове, да бъдат възложени на изкуствения интелект. Така инженерите могат да се съсредоточат върху иновациите, усъвършенстването и преодоляването на конкретни предизвикателства. AI функциите отдавна присъстват в софтуера за автоматизация на електронното проектиране (EDA), като стават все по-мощни и могат да изпълняват все повече задачи. Успоредно с това разработчиците на чипове създават и собствени инструменти, които съкращават определени процеси и позволяват новите разработки да излизат по-бързо на пазара.
Добър пример е Nvidia, която използва интересни AI инструменти, за да освободи инженерите от „излишната“ тежест и да направи изпълнението на отделни задачи по-бързо и по-ефективно. За това разказа главният учен на Nvidia Бил Дали по време на GTC 2026 в разговор с главния учен на Google Джеф Дийн. От дискусията стана ясно, че Nvidia вече използва AI модели, обучени със собствени данни, за да проучва възможностите при проектирането на чипове, да ускорява преминаването към нов технологичен процес, както и да открива грешки и да проверява проектите. Дали обаче подчерта, че времето на напълно автоматизираната разработка на чипове все още не е настъпило и инженерният труд остава необходим.
Една от интересните разработки е инструментът NB-Cell, който помага на компанията да прехвърля даден проект от един технологичен процес към по-нов. Преди тази задача изисквала значителни инженерни ресурси: осем инженери работели по нея в продължение на десет месеца. Според Дали с помощта на AI инструмента, базиран на обучение с подсилване, прехвърлянето на клетките вече може да приключи само за една нощ, като за целта е достатъчен един графичен процесор.
Според тестовете прехвърлените клетки се доближават до резултатите от работата на инженерните екипи или дори ги надминават по отношение на размерите, консумацията на енергия и закъснението. При преминаване към нов технологичен процес различните характеристики и параметри на библиотеката от стандартни клетки — тоест документацията, описваща компонентите, които служат като градивни елементи на проекта — трябва да бъдат адаптирани към новата производствена технология. Това засяга 2.500–3.000 клетки и преди е отнемало десет месеца работа на осем инженери. С новия инструмент задачата може да бъде изпълнена много по-бързо, за часове или дни. Това е огромен напредък в производителността и позволява значително по-бърз преход.
Успоредно с това е разработен и друг инструмент, наречен prefix RL, чиято задача е да подрежда различните компоненти на чипа ефективно и с оглед на последващите стъпки. Инструментът се справя толкова добре, че предлага проектни решения, за които човек не би се сетил, като същевременно подобрява ключовите параметри с 20–30 % спрямо инженерните проекти. Този подход постига две цели наведнъж: спестява ценни инженерни работни часове, които могат да бъдат вложени в други задачи, и чрез AI създава новаторски проекти, надхвърлящи човешката интуиция.
За вътрешни нужди се използват и два важни големи езикови модела (LLM), наречени Chip Nemo и Bug Nemo. Те също са обучени с проекти и документи на Nvidia и работят много ефективно. Допълнително подпомагат обучението на младшите инженери, като отговарят на въпросите им. Така те могат да получат необходимите знания, без постоянно да се обръщат към по-опитните си колеги. С помощта на инструментите могат да се изготвят и доклади за грешки, които автоматично да се насочват към съответните инженери или отдели, ускорявайки допълнително процеса на разработка.






























