【锚思科技讯】NVIDIA在过去几年中已经成为了人工智能巨头，他们的GPU不仅成为HPC的首选，也成为了数据中心（包括人工智能和深度学习生态系统）的首选。最近，NVIDIA宣布，它正在利用人工智能来设计和开发远远优于人类创建的GPU，看起来NVIDIA的旗舰Hopper GPU就是对这一声明的证明，该声明的特点是近13000个电路实例完全由AI制作。

在NVIDIA开发者网页上发布的一篇博客中，该公司重申了其优势，以及它自己是如何利用其人工智能能力来设计迄今为止最大的GPU Hopper H100的。NVIDIA GPU大多使用最先进的EDA（电子设计自动化）工具进行设计，但借助人工智能，利用PrefixRL方法，即使用深度强化学习优化并行前缀电路，该公司可以设计更小、更快和更节能的芯片，同时提供更好的性能。

计算机芯片中的算术电路是使用逻辑门（如NAND、NOR和XOR）和导线组成的网络构建的。理想电路应具有以下特性：

小：一个较低的区域，以便在一个芯片上可以容纳更多的电路。

快速：降低延迟以提高芯片性能。

功耗更低：芯片功耗更低。

NVIDIA使用这种方法设计了近13000个人工智能辅助电路，与速度和功能相当的EDA工具相比，面积减少了25%。但PrefixRL是一项计算量非常大的任务，对于每个GPU的物理模拟，需要256个CPU和32000多个GPU小时。为了消除这一瓶颈，NVIDIA开发了Raptor，这是一个内部分布式强化学习平台，利用NVIDIA硬件的特殊优势进行这种工业强化学习。

Raptor具有一些增强可扩展性和训练速度的功能，例如作业调度、自定义网络和GPU感知的数据结构。在PrefixRL的上下文中，Raptor使工作可以跨CPU、GPU和Spot实例的混合分布。

此强化学习应用程序中的网络具有多样性，并从以下方面受益。

Raptor能够在NCCL之间切换以进行点到点传输，从而将模型参数直接从学习者GPU传输到推理GPU。

Redis用于异步和较小的消息，如奖励或统计信息。

JIT编译的RPC，用于处理高容量和低延迟请求，如上传体验数据。

NVIDIA得出结论，将人工智能应用于现实电路设计，可以在未来实现更好的GPU设计。