Výhody umelej inteligencie sa v rôznych odvetviach snažia využiť v čoraz väčšom rozsahu. Funkcie založené na AI tak nachádzajú uplatnenie aj pri navrhovaní a výrobe čipov. Pomáhajú preniesť na AI monotónne úlohy, ktoré inžinierom zaberajú množstvo pracovných hodín, aby sa mohli sústrediť na inovácie, ďalší vývoj a riešenie jednotlivých výziev. V softvéri EDA sú funkcie AI prítomné už dlhší čas, pričom sú čoraz výkonnejšie a zvládajú čoraz viac úloh. Zároveň však aj samotní návrhári čipov vyvíjajú vlastné nástroje, ktoré dokážu skrátiť niektoré procesy, a tým urýchliť uvedenie nových riešení na trh.
Dobrým príkladom je Nvidia, ktorá sa pomocou zaujímavých nástrojov AI snaží odbremeniť inžinierov od „zbytočnej“ záťaže a zároveň zefektívniť a zrýchliť plnenie jednotlivých úloh. Na podujatí GTC 2026 o tom v rozhovore s hlavným vedcom Googlu Jeffom Deanom hovoril hlavný vedec Nvidie Bill Dally. Z diskusie vyplynulo, že Nvidia už používa modely AI natrénované na vlastných dátach, aby preskúmala možnosti pri navrhovaní čipov, urýchlila prechod na nový výrobný proces či vyhľadávala chyby a overovala konkrétne návrhy. Dally však zdôraznil, že čas plne automatizovaného vývoja čipov ešte nenastal a práca inžinierov je naďalej potrebná.
Jedným zo zaujímavých riešení je nástroj s názvom NB-Cell, ktorý spoločnosti pomáha preniesť konkrétny návrh na novší výrobný proces. Táto úloha si predtým vyžadovala značné inžinierske kapacity: osem inžinierov na nej pracovalo desať mesiacov. Podľa Dallyho sa dá pomocou nástroja AI založeného na posilňovanom učení tento prenos buniek zvládnuť aj za jedinú noc, pričom na to stačí zapojiť jeden GPU.
Prenesené bunky sa podľa testov z hľadiska veľkosti, spotreby aj oneskorenia približujú kvalite práce inžinierskych tímov alebo ju dokonca prekonávajú. Pri prechode na nový výrobný proces treba prispôsobiť rôzne vlastnosti a parametre knižnice štandardných buniek, teda dokumentácie opisujúcej komponenty, ktoré slúžia ako základné stavebné prvky návrhu. Týka sa to 2 500 až 3 000 buniek a ôsmim inžinierom táto práca predtým trvala desať mesiacov. S novým nástrojom sa dá úloha dokončiť oveľa rýchlejšie, v priebehu hodín alebo dní. Ide o obrovský posun v produktivite, ktorý umožňuje podstatne rýchlejší prechod na novú technológiu.
Súčasne vyvinuli aj ďalší nástroj s názvom prefix RL, ktorého úlohou je premyslene a efektívne rozmiestňovať jednotlivé komponenty čipu. Túto úlohu zvláda tak dobre, že prichádza s návrhmi, ktoré by človeku nenapadli, a kľúčové parametre dokáže oproti návrhom inžinierov zlepšiť o 20 až 30 %. Týmto postupom dosahujú dva ciele naraz: šetria cenné pracovné hodiny inžinierov, ktoré môžu využiť na iné úlohy, a zároveň vďaka AI vytvárajú novátorské návrhy presahujúce ľudskú intuíciu.
Na interné účely používajú aj dva dôležité veľké jazykové modely, čiže LLM, s názvami Chip Nemo a Bug Nemo. Aj tie boli natrénované na návrhoch a dokumentoch Nvidie a pracujú veľmi efektívne. Navyše pomáhajú menej skúseným inžinierom pri učení tým, že odpovedajú na ich otázky. Tí tak získajú potrebné vedomosti bez toho, aby museli neustále vyrušovať skúsenejších kolegov. Pomocou týchto nástrojov možno vytvárať aj hlásenia o chybách, ktoré sa automaticky dostanú k príslušným inžinierom alebo oddeleniam, čím sa vývoj ďalej zrýchľuje.
