NVIDIA представляет открытые модели квантового ИИ, ИИ ускоряет разработку чипов

Автор: Клод, Shenchao TechFlow

Обзор Shenchao: 14 апреля NVIDIA в «Всемирный день квантовых вычислений» представила первую в мире открытую семью квантовых AI-моделей Ising, скорость декодирования с коррекцией ошибок которой повышена в 2,5 раза по сравнению с отраслевыми стандартами, а точность — в 3 раза.

Квантовые акции в тот же день резко выросли: IonQ поднялась на 18%, D-Wave — на 15%. В тот же день главный научный сотрудник Уильям Далли на GTC 2026 сообщил, что ИИ сократил время переноса библиотек стандартных ячеек чипа с 8 человек за 10 месяцев до одной ночи на одном GPU, причем результаты проектирования превзошли человеческие.

NVIDIA использует ИИ для ускорения двух самых сложных инженерных задач: сделав квантовые компьютеры по-настоящему пригодными для использования и ускорив сам процесс проектирования GPU.

14 апреля, в «Всемирный день квантовых вычислений», NVIDIA выпустила первую в мире открытую семью AI-моделей для квантовых вычислений NVIDIA Ising, в результате чего акции квантовых компаний резко выросли. В то же время главный научный сотрудник компании Уильям Далли на GTC 2026 раскрыл последние достижения в использовании ИИ в процессе проектирования чипов NVIDIA, где эффективность одной из задач повысилась в сотни раз.

Два факта указывают на один и тот же вывод: ИИ превращается из «инструмента прикладного уровня» в «инфраструктуру для инфраструктуры», ускоряя как смежные отрасли (квантовые вычисления), так и собственную аппаратную эволюцию ИИ.

Согласно пресс-релизу NVIDIA от 14 апреля, первые два домена семейства моделей Изинга: Ising Calibration и Ising Decoding, направлены на решение двух ключевых проблем внедрения квантовых вычислений.

Кубиты квантового процессора по своей природе шумные; сегодня лучшие квантовые процессоры допускают примерно одну ошибку на каждую тысячу операций. Для того чтобы квантовые компьютеры стали практически применимыми, уровень ошибок необходимо снизить ниже одного на триллион.

Ising Calibration — это визуально-языковая модель с 35 миллиардами параметров, способная автоматически интерпретировать измерительные данные квантового процессора и принимать решения по калибровке, сокращая процесс калибровки, который ранее занимал несколько дней, до нескольких часов. Ising Decoding — это пара 3D-сверточных нейронных сетей (оптимизированных для скорости и точности соответственно), используемых для декодирования в реальном времени при квантовой коррекции ошибок; она в 2,5 раза быстрее и в 3 раза точнее текущего открытого отраслевого стандарта pyMatching.

Директор по квантовым продуктам NVIDIA Сэм Стэнвик объяснил логику открытой стратегии на презентации: различные производители квантового оборудования имеют разные характеристики шума, и открытые модели позволяют им настраивать модели локально на собственных данных, что повышает производительность и защищает проприетарные данные.

Генеральный директор NVIDIA Хуань Рэньсюнь выразился еще более прямо. В своем заявлении он сказал, что ИИ становится управляющей плоскостью квантовых машин, превращая хрупкие кубиты в масштабируемые и надежные квантовые GPU-системы.

Согласно данным NVIDIA, несколько организаций уже внедрили модель Изинга, включая Школу инженерии и прикладных наук Гарвардского университета, Национальную лабораторию Ферми, IQM Quantum Computers, Лоуренс Беркли национальную лабораторию, Национальную физическую лабораторию Великобритании и другие.

В день выпуска Ising акции квантовых компаний на американском рынке показали массовый рост. Согласно данным Yahoo Finance, IonQ выросла примерно на 18%, D-Wave Quantum — на 15%, Rigetti Computing — на 12%.

Этот рост произошел на фоне глубокой коррекции квантовых акций с начала года. По состоянию на 14 апреля IonQ упал примерно на 22%, D-Wave — на 35%, Rigetti — на 23%. Двухзначный отскок в тот день не изменил нисходящий тренд года, но масштаб коллективного движения остался впечатляющим.

Следует отметить, что движущей силой этого рыночного движения является не только анонс Ising. В тот же день IonQ объявила о достижении важного этапа в развитии квантовой сети и заключении контракта с DARPA, а Rigetti получила заказ на 8,4 миллиона долларов от Индийского центра развития высокопроизводительных вычислений (C-DAC). Совокупность нескольких катализаторов усилила эффект роста сектора.

Аналитическая компания Resonance прогнозирует, что объем мирового рынка квантовых вычислений к 2030 году превысит 11 миллиардов долларов США. В отчете, опубликованном в тот же день Консорциумом по развитию квантовой экономики (QED-C), сообщается, что объем мирового квантового рынка в 2025 году достиг 1,9 миллиарда долларов США, а число сотрудников чисто квантовых компаний выросло на 14%.

Исин направляет ускорение на внешние отрасли, а внутри NVIDIA использует ИИ для переосмысления собственных процессов проектирования чипов.

На встрече с главным научным сотрудником Google Джеффом Дином на GTC 2026 главный научный сотрудник NVIDIA Уильям Долли раскрыл несколько конкретных примеров. Самые впечатляющие данные относятся к миграции библиотеки стандартных ячеек: каждый раз, когда NVIDIA переходит на новый полупроводниковый процесс (например, с 7 нм на 5 нм), требуется переработать около 2500–3000 стандартных ячеек для адаптации к новому процессу, что ранее занимало 8 инженеров примерно 10 месяцев. NVIDIA разработала инструмент на основе обучения с подкреплением под названием NVCell, который теперь может выполнить эту задачу за одну ночь на одном GPU, при этом полученные ячейки соответствуют или превосходят по показателям площади, энергопотребления и задержки ручные разработки.

Согласно сообщению Tom's Hardware, Далли описал этот процесс как «видеоигру по исправлению ошибок в дизайне правил», именно такие задачи на основе проб и ошибок отлично подходят для обучения с подкреплением.

На более высоком уровне абстракции NVIDIA разработала внутренние специализированные крупные языковые модели Chip Nemo и Bug Nemo. Эти модели были дообучены на собственных данных NVIDIA, накопленных за 30 лет, и охватывают RTL-код, документацию по аппаратному дизайну и архитектурные спецификации всех GPU компании за всю её историю. По словам Далли, младшие инженеры могут напрямую задавать вопросы Chip Nemo, избегая необходимости постоянно обращаться к опытным дизайнерам. Он описал Chip Nemo как «очень терпеливого наставника».

На уровне оптимизации схем NVIDIA также применила обучение с подкреплением к классическим задачам проектирования схем, таким как цепи с опережающим переносом. Далли заявил, что дизайны, созданные ИИ, «совершенно необычны и не приходили бы в голову человеку, но на практике их производительность на 20–30% выше, чем у человеческих дизайнов».

Однако Далли также четко обозначил границы ожиданий. Он сказал, что очень хочет достичь конечного состояния, но пока очень далеко от этой цели.

В настоящее время дизайн ИИ-чипов NVIDIA остается вспомогательным, а не заменяющим. ИИ применяется отдельно на этапах переноса стандартных ячеек, классификации и аннотирования ошибок, прогнозирования размещения и трассировки, а также исследования архитектурного пространства, но еще не создал полной автоматизированной конвейерной системы. Долгосрочное направление, предусмотренное Далли, — это многоагентные модели, где различные ИИ-системы отвечают за разные этапы проектирования, подобно распределению обязанностей в человеческой инженерной команде.

Согласно сообщению Computer Weekly, Далли и Дин также обсудили в ходе беседы влияние AI-агентов на традиционные программные инструменты: когда скорость работы AI-агентов значительно превышает скорость человека, традиционные программные инструменты, разработанные для пользователей-людей, становятся узким местом по производительности, и необходимо переработать как инструменты программирования, так и бизнес-приложения.