Prednosti umetne inteligence skušajo v različnih panogah izkoristiti na vedno več področjih, tako imajo tudi pri snovanju in izdelavi čipov vlogo različne funkcije na osnovi umetne inteligence, ki veliko pomagajo pri tem, da se monotone naloge, ki požrejo veliko inženirskih delovnih ur, prepustijo umetni inteligenci, inženirji pa se osredotočijo na inovacije, napredek in premagovanje posameznih izzivov. V različni programski opremi EDA so funkcije umetne inteligence prisotne že dlje časa, so vedno bolj udarne in zmorejo opravljati vedno več nalog, hkrati pa nekateri snovalci čipov delajo tudi na lastnih razvitih orodjih, s katerimi je mogoče skrajšati določene procese in tako zagotoviti hitrejši prihod posameznih razvojev na trg.
Odličen primer je Nvidia, saj podjetje z zanimivimi orodji umetne inteligence skuša z ramen inženirjev sneti »nepotrebna« bremena ter tudi izvajanje posameznih nalog narediti učinkovitejše in hitrejše. O tem je ob priložnosti GTC 2026 govoril Nvidiin glavni znanstvenik Bill Dally v pogovoru z Googlovim glavnim znanstvenikom Jeffom Deanom. Iz pogovora je razvidno, da Nvidia že zdaj uporablja modele umetne inteligence, učene na lastnih podatkih, da bi raziskala možnosti pri snovanju čipov, pospešila prehod na novo litografsko tehnologijo ali iskala napake in preverjala posamezno zasnovo. Strokovnjak je seveda poudaril, da čas popolnoma avtomatiziranega razvoja čipov še ni prišel, torej je inženirsko delo še vedno potrebno.
Eden od zanimivih razvojev je orodje z imenom NB-Cell, ki pomaga pri tem, da podjetje določeno zasnovo prenese z ene litografske tehnologije na novejšo. Ta naloga je prej zahtevala precej masivne inženirske vire, saj je potrebovala 10 mesecev dela 8 inženirjev. Po Dallyjevih besedah je mogoče s pomočjo orodja umetne inteligence, ki temelji na spodbujevalnem učenju, to nalogo, torej prenos celic, opraviti že v eni noči, za to pa zadošča en sam GPU.
Prenesene celice po testih po velikosti, porabi in zakasnitvi dosegajo ali celo presegajo kakovost dela inženirskih skupin. Ob vsakem prehodu na novo litografsko tehnologijo je treba različne lastnosti in parametre knjižnice standardnih celic – torej dokumentacije, ki opisuje komponente, uporabne kot gradniki in dajejo osnovo zasnove – prenesti na novo proizvodno tehnologijo, kar zadeva 2500–3000 celic, in to delo je prej za osem inženirjev trajalo 10 mesecev. Z novim orodjem je nalogo mogoče opraviti precej hitreje, v nekaj urah ali dneh, kar je velik korak naprej v produktivnosti in omogoča precej hitrejši prehod.
Hkrati so razvili še eno orodje, imenovano prefix RL, njegova naloga pa je predvidevajoče in učinkovito razporediti različne komponente čipa. Orodje nalogo opravlja tako dobro, da pride z načrti, na katere človek ne bi pomislil, ključne parametre pa zmore v primerjavi z inženirskimi načrti izboljšati za 20–30 %. S to metodo ubijejo dve muhi na en mah: prvič, prihranijo dragocene inženirske delovne ure, ki jih je mogoče nameniti drugemu, in drugič, zahvaljujoč umetni inteligenci lahko ustvarijo novost zasnove, ki presegajo človeško intuicijo.
Za notranje potrebe uporabljajo še dva pomembna LLM-ja, torej velika jezikovna modela, imenovana Chip Nemo in Bug Nemo. Tudi ta sta učena na Nvidiinih načrtih in dokumentih ter delata zelo učinkovito, kot bonus pa pomagata tudi pri učenju mlajših inženirjev, saj odgovarjata na različna vprašanja, zato mlajši ne nadlegujejo starejših sodelavcev, a do potrebnega znanja vseeno pridejo. S pomočjo orodij je mogoče izdelati tudi poročila o napakah, ki se samodejno posredujejo ustreznim inženirjem ali oddelkom, kar dodatno pospeši razvojni proces.
