十多年前，英伟达（Nvidia）将全部精力转向人工智能，此后一直在大量生产 GPU——现在还有 CPU——以及其他用于驱动 AI 系统的硬件，同时还提供了丰富的软件库（通过 CUDA-X）和 Nemotron 旗下的 AI 模型系列。这使英伟达在快速扩张的 AI 产业中占据了领导地位，AI 已经席卷了企业和 HPC 数据中心的开发，并使该公司获得了巨大财富。
驱动这一财富增长的部分原因在于，AI 的硬件工程随着每一代产品变得越来越复杂，不仅需要更多的芯片，还需要更多的功能，这种局势正在推动整个行业超越传统方法的极限。英伟达计算工程副总裁兼总经理 Tim Costa 用超越单纯扩大需求的视角来表述了这一点。
Costa 在与记者的视频通话中指出，到 2030 年，行业预计将生产 2 万亿颗芯片，每月处理约 4100 万片晶圆。此外，单个封装的晶体管数正在接近一万亿，而整个计算系统的晶体管数将达到万亿级别。与此同时，将一颗芯片推向市场可能需要数年时间，因为工程师需要在仿真、验证和实现步骤上耗费大量时间。在 AI 加速的时代，这几乎等于一个“世代”。
复杂性超越传统芯片设计
“关键不在于某一个单一数字，而在于规模、架构、封装和系统复杂性之间的相互作用，”他说。“传统设计流程已无法跟上这种规模的挑战。为了应对这一挑战，AI 和加速计算正从生产力工具转变为基础工程设施。”
这正是英伟达和其他芯片工程公司转向 AI 的原因。
“这种复杂性因半导体创新的端到端耦合特性而加剧，”Costa 说。“芯片架构的决策会影响原子尺度制造、先进封装的功耗、热特性以及整个系统的行为。AI 帮助工程师探索更多设计替代方案，并在这些交互中做出更好的决策。加速计算使得这些决策背后的高保真度仿真、验证和优化变得足够快，可以反复迭代。”
他解释说，将 AI 引入芯片开发流程并不是要取代物理规律或设计规则，而是让工程师能将这些检查纳入循环并更频繁地使用它们，并补充说“机会在于加速完整的工程循环，而不是孤立的工具”。
英伟达还在扩展其 Agent Toolkit（智能体工具包），包括更新的 CUDA-X 和 PhysicsNeMo 库，用于训练和部署工程 AI。
此外，英伟达正与芯片工程公司Cadence和新思科技（Synopsys）合作，使用其基于 Arm 的“Vera” CV100 CPU（见下图）来加速其未来代 CPU 和 GPU 的开发。
Vera 搭载了 88 个由英伟达设计的定制“Olympus” CPU 核心，以及 1.2 TB/秒的 LPDDR5X 存储子系统。该公司的第二代可扩展一致性织网格互连（Scalable Coherency Fabric）为工程应用提供了强大的每核性能、高存储带宽和低延迟。
英伟达“Vera” CV100 CPU
“英伟达正在将 Vera 部署到用于创建未来 CPU 和 GPU 的 EDA工作流中，包括仿真、形式验证和物理实现，”Costa 说，并指出早期工程测试显示，运行在新思科技 VCS 和Cadence Jasper 平台上的 Vera 提供了 AMD Epyc Torrent 系统 1.5 倍的性能。“其实际价值在于缩短仿真验证运行时间。工程团队可以更快地迭代。我们正与Cadence 和新思科技合作，通过让 Vera 参与设计 Rosa 来优化领先的 EDA 应用。”
“Rosa”当然是英伟达的下一代 CPU，基于其 Rigel 核心构建。它计划于 2028 年作为该公司即将推出的 Feynman 数据中心平台的一部分发布。
Cadence 和新思科技都在大力推进将智能体 AI 用于其 EDA 和其他芯片设计能力。Cadence 于 2 月发布了 AI Super Agent——一款用于芯片设计和验证的智能体工具，随后两个月内公布了与英伟达、台积电和谷歌合作的伙伴关系，共同使用 AI 智能体进行芯片和系统设计。上个月，该公司发布了用于前端自动化芯片设计和验证智能体工作流的 AuraStack AI Super Agent（见下图）。
根据Cadence 的说法，在工程师的指挥下，AI Super Agents 可以同时实施数百次仿真，在不到一天内完成现在需要五周的工作，提供了 40 倍快的寄存器传输级（RTL）验证周期。
Cadence AuraStack AI Super Agent
就新思科技而言，它不仅与英伟达合作，本周还公布了与 AMD、微软以及英特尔的类似基于智能体 AI 的合作。在本周加州举行的设计自动化大会（DAC）上，新思科技演示了其全自主设计验证工作流（见下图），该工作流基于其智能体平台和 AgentEngineer 技术，并包含英伟达技术，如其新的 Nemotron 3 Ultra 模型、Agent Toolkit 和 OpenShell 运行时。该公司表示，它可以比其他平台快 50 倍地交付经过验证的 RTL。
新思科技全自主设计验证工作流
英伟达于 3 月推出了 Agent Toolkit，核心组件包括 Nemotron 模型和 OpenShell 运行时，并在一个月前发布了 Nemotron 3 Ultra——一款用于芯片设计智能体编程的开放模型。现在该公司正在扩展该工具包，包括重新架构 PhysicsNeMo，使智能体能够训练和部署用于设计和仿真的 AI 物理模型。
“PhysicsNeMo 最初是一个帮助专家构建、训练和部署 AI 物理模型的框架，”Costa 说。“我们现在将这些专业知识组织为一组开放、可组合的库集合，带有智能体可用的技能。这些库覆盖了实用的层次和工程工作流需求、物理感知操作、GPU 原生网格处理、分布式训练和数据策展，以及编码可重复指令的技能，如模型加速、配置训练配方、创建数据管道或策展数据集，包括调用哪些工具、产出什么输出以及如何检查结果。”
他补充说，“这一转变是从专家手动操作的框架，转向智能体可以在更大的工程流程中调用、组合和验证的 AI 物理能力。”
CUDA-X 已经包含用于 cuDSS 中大型复杂稀疏线性系统的直接稀疏求解器加速库，这对 EDA 和学术仿真至关重要，以及用于量子化学仿真的 cuEST。现在它还包括了 cuISS，用于 GPU 上物理和工程仿真的大型稀疏线性系统。
“许多工程应用都从偏微分方程开始，”Costa 说。“一旦这些方程被离散化——即变为计算机可计算的离散形式——工作负载常常变成非常大的稀疏线性系统。直接求解器仍然必不可少……但很多工程应用需要迭代方法来实现内存效率和可扩展性。cuISS 将 GPU 原生的迭代稀疏求解器和预处理构建块引入了 CUDA-X。”
今日推荐
