Автор: Клод, Shenchao TechFlow
Огляд Shenchao: NVIDIA 14 квітня, у День квантового світу, представила першу у світі відкриту сімейство квантових моделей штучного інтелекту Ising, швидкість декодування корекції помилок якого вища на 2,5 рази, а точність — на 3 рази порівняно з галузевими стандартами.
Квантові акції за день масово зросли: IonQ зросла на 18%, D-Wave — на 15%. Того ж дня головний науковець Вільям Даллі на GTC 2026 розкрив, що штучний інтелект скоротив час перенесення бібліотеки стандартних комірок чіпа з 8 осіб за 10 місяців до однієї GPU за одну ніч, причому результати проектування кращі за ручні.
NVIDIA використовує ШІ для прискорення двох найскладніших інженерних завдань: зроблення квантових комп’ютерів справді придатними для використання та прискорення та покращення самого дизайну GPU.
14 квітня, у День квантового світу, NVIDIA представила першу у світі відкриту сімейство AI-моделей для квантових обчислень NVIDIA Ising, через що акції квантових компаній стрімко зросли. У той же період головний науковець компанії Вільям Даллі на GTC 2026 розкрив останні досягнення AI у внутрішніх процесах проектування чіпів NVIDIA, де ефективність одного з завдань зросла в сотні разів.
Дві підказки вказують на один і той самий висновок: ШІ перетворюється з «інструменту рівня застосунків» у «інфраструктуру для інфраструктури», прискорюючи як сектори нижчого рівня (квантові обчислення), так і власну апаратну ітерацію ШІ.
Перша у світі відкрита квантово-штучно-інтелектуальна модель, спрямована на подолання двох основних обмежень квантових обчислень
Згідно з прес-релізом NVIDIA від 14 квітня, перші два домени сімейства моделей Ізінга: Ising Calibration та Ising Decoding, призначені для подолання двох ключових обмежень у реалізації квантових обчислень.
Кубіти квантового процесора за природою супроводжуються шумом; найкращі сьогодні квантові процесори допускають одну помилку приблизно на кожні тисячу операцій. Щоб квантовий комп’ютер мав практичну цінність, рівень помилок має бути знижений нижче одного на трильйон.
Ising Calibration — це візуальна мовна модель з 35 мільярдами параметрів, яка автоматично інтерпретує вимірювані дані квантових процесорів та приймає рішення щодо калібрування, скорочуючи процес калібрування, який раніше тривав кілька днів, до кількох годин. Ising Decoding — це пара 3D-згорткових нейронних мереж (оптимізованих для швидкості та точності відповідно), призначених для реального часу декодування квантової корекції помилок; вона швидша за поточну відкриту галузеву стандартну бібліотеку pyMatching у 2,5 рази та точніша у 3 рази.
Директор з квантових продуктів NVIDIA Сем Стэнвік пояснив логіку відкритої стратегії на презентації: різні виробники квантового обладнання мають унікальні характеристики шуму, і відкрита модель дозволяє їм проводити доналаштування на локальних даних, що підвищує продуктивність та захищає власні дані.
Генеральний директор NVIDIA Хуань Ренсюнь висловився ще пряміше. У своєму заяві він сказав, що ШІ стає контрольною площиною квантових машин, перетворюючи хрупкі квантові біти на масштабовані та надійні квантові GPU-системи.
За даними NVIDIA, кілька установ вже впровадили модель Ізінга, зокрема Школа інженерії та прикладних наук Гарвардського університету, Національна лабораторія Фермі, IQM Quantum Computers, Лоуренс Берклі національна лабораторія, Національна лабораторія фізики Великобританії тощо.
Квантові акції разом стрімко зросли, IonQ за день зросла на 18%
У день випуску Ising акції квантових компаній на американських ринках пережили спільний стрибок. За даними Yahoo Finance, IonQ зросла приблизно на 18%, D-Wave Quantum — на 15%, Rigetti Computing — на 12%.
Цей ріст відбувався на тлі глибокого корекційного руху квантowych акцій з початку року. До 14 квітня IonQ впав приблизно на 22%, D-Wave — на 35%, Rigetti — на 23%. Двоцифровий відскок того дня не змінив річний низхідний тренд, але масштаб спільного руху залишився помітним.
Варто зазначити, що драйвером цього руху було не лише оголошення Ising. У той самий день IonQ оголосила про досягнення важливої віхи в галузі квантових мереж та укладення контракту з DARPA, а Rigetti отримала замовлення на 8,4 млн доларів від Індійського центру розвитку високопродуктивних обчислень (C-DAC). Комбінація кількох катализаторів посилила ефект сектору.
Аналітична компанія Resonance прогнозує, що ринковий обсяг глобальних квантових обчислень до 2030 року перевищить 11 мільярдів доларів США. У звіті, опублікованому того ж дня Союзом квантової економіки (QED-C), зазначено, що глобальний квантовий ринок у 2025 році досяг 1,9 мільярда доларів США, а кількість працівників чисто квантових компаній зросла на 14%.
80 людино-місяців стиснуто до однієї ночі: Штучний інтелект перетворює процес проектування чіпів NVIDIA
Ising спрямований на прискорення зовнішніх галузей, тоді як NVIDIA всередині використовує ШІ для перетворення власного процесу проектування чіпів.
На розмові між головним науковим співробітником NVIDIA Вільямом Даллі та головним науковим співробітником Google Джеффом Діном на GTC 2026 було розкрито кілька конкретних випадків. Найбільш вражаючі дані стосуються міграції бібліотеки стандартних комірок: кожного разу, коли NVIDIA переходить на новий напівпровідниковий процес (наприклад, з 7 нм на 5 нм), потрібно переробити приблизно 2500–3000 стандартних комірок під новий процес, що раніше вимагало від 8 інженерів близько 10 місяців. NVIDIA розробила інструмент під назвою NVCell на основі підсиленого навчання, який зараз може виконати цю задачу за одну ніч на одному GPU, при цьому отримані комірки мають показники площі, споживання енергії та затримки, які відповідають або навіть перевищують показники ручного проектування.
За матеріалами Tom's Hardware, Даллі порівнює цей процес з «відеогрою, де потрібно виправляти помилки у дизайну правил», саме такий тип оптимізації методом проб і помилок відмінно піддається підсиленому навчанню.
На більш високому рівні абстракції NVIDIA розробила власні спеціалізовані великі мовні моделі Chip Nemo та Bug Nemo. Ці моделі доналаштовані на основі власних даних NVIDIA, накопичених протягом 30 років, і охоплюють RTL-код, документацію з проектування та архітектурні специфікації всіх GPU компанії за всю її історію. За словами Даллі, молоді інженери можуть безпосередньо запитувати Chip Nemo, економлячи час на постійних зверненнях до досвідчених дизайнерів. Він описав Chip Nemo як «дуже терплячого наставника».
На рівні оптимізації схем NVIDIA також застосувала підсилювальне навчання до класичних проблем проектування схем, таких як ланцюги попереднього перенесення. Даллі сказав, що дизайн, створений ШІ, «є абсолютно дивними рішеннями, яких люди ніколи б не подумали, але на практиці вони працюють на 20–30% краще, ніж людські дизайн-рішення».
Ще дуже далеко до того, щоб ШІ самостійно проектував чіпи
Проте Даллі також чітко визначив межі очікувань. Він сказав, що дуже хоче досягти енд-ту-енд стану, але зараз дуже далеко від цієї мети.
Зараз дизайн AI-чіпів NVIDIA залишається допоміжним, а не замінює людину. AI працює окремо на етапах перенесення стандартних комірок, класифікації та анотації багів, прогнозування розміщення та трасування, дослідження архітектурного простору, але ще не створив повного енд-ту-енд автоматизованого процесу. Даллі бачить довгостроковий напрямок у вигляді багатоагентних моделей, де різні AI-системи відповідають за різні етапи проектування, подібно до розподілу обов’язків у людських інженерних командах.
За матеріалами Computer Weekly, Даллі та Дін у ході діалогу також обговорили вплив AI-агентів на традиційні програмні інструменти: коли швидкість роботи AI-агентів значно перевищує людську, традиційні програмні інструменти, розроблені для користувачів-людей, стають обмеженням продуктивності, і їх потрібно переробити — від інструментів програмування до бізнес-застосунків.