2022年，人工智能的创作能力多次破圈。
人工智能设计芯片的两种思路
人工智能在芯片设计中的应用有两种思路，第一种是真正意义上的让人工智能去设计电路图。
除了谷歌，英伟达也在研究使用AI设计芯片，英伟达表示Hopper GPU 架构拥有近 13,000 个 AI 设计电路实例。
相对于第一种思路，第二种思路更像是“曲线”AI，即通过人工智能技术让芯片设计的软件EDA变得更“智能”。
开发者可以使用DSO.ai搜索设计过程的其他许多输入选项。例如，DSO.ai可以微调库单元以提供最佳频率或最低功率；采用现有平面图并尽量缩小芯片尺寸；确定多高的工作电压会实现功耗与性能的最佳权衡；在定制时钟结构或者电源分布网络探索不同效果等等。
人工智能“做”芯片
在台积电，机器学习被用来实现自动缺陷分类（ADC），并保持高级缺陷分类识别的准确性。2020年台积电负责先进技术业务发展的一名高管就透露台积电已开始利用人工智能和机器学习技术，用于芯片生产过程中的数据处理。这名高管表示，生产的芯片越多，从中学到的就能越多，就能知晓哪儿容易出问题，新材料或设备在哪一环节会出现意想不到的问题，就有更多的机会消除这些问题并简化流程。这名高管表示，台积电已在他们的设备中部署了大量的传感器，确保任何有用的数据都能被收集，他们利用人工智能和机器学习将数据转化为相关的信息，改善他们的芯片生产，他们不浪费任何一个学习的机会。台积电通过整合智能化行动装置、物联网和移动式机器人，结合智能自动物料搬运系统，以强化晶圆生产资料收集与分析、有效利用生产资源，发挥最大制造效益。
有了足够的数据和人工调整，这些机器算法可以快速且极其准确地识别和分析图像，而无需工程师不断地教机器缺陷究竟是什么样子。总的来说，人工智能设备预诊断技术将有助大幅缩短解决问题时间，同时可提升半导体制程良率，并加速产品上市时程。
在芯片设计环节中，人工智能仍有许多局限性。芯片设计中涉及的许多任务无法自动化，因此仍然需要专业的设计人员。英伟达负责相关研究的首席科学家表示即使有了AI的帮助，工程师仍然需要大量的专业知识，因为强化算法有时会以不可预测的方式运行，如果工程师未能发现这些错误，可能会导致设计甚至制造中代价高昂的错误。对于DSO.ai是否会成为芯片设计的“一键完成按钮”，Synopsys产品工程总监表示真正的能力仍然掌握在开发者手中。
AI短期不能替代人类还有另外一个原因就是它的成本问题。使用 AI 往往很昂贵，因为它需要大量的云计算能力来训练强大的算法。但随着计算成本的下降和模型变得更加高效，AI会变得更容易获得，在未来这可能不是一个大问题。
