旧金山，圣何塞会议中心，GTC 现场。英伟达首席科学家 Bill Dally 坐在台上，对面是谷歌的 Jeff Dean。两人谈及芯片设计效率时，Dally 抛出一个震撼数字：“此前移植一个包含约 2500 至 3000 个单元的标准单元库，需要 8 名工程师耗时约 10 个月。”他稍作停顿，继续说道，“现在仅需单卡 GPU，跑一个晚上。”
台下没有惊呼，因为听懂这句话的人都明白这意味着什么。8名工程师10个月的工作，被一颗自家产的GPU一夜之间完成。Dally还补充道，AI跑出来的结果在面积、功耗、延迟等关键指标上，匹配甚至超过了人类设计。次日，便有媒体将此解读为“英伟达用AI设计GPU”。
但这事的真相，远比新闻标题更值得玩味。
内部工具链：从“辅助”到“碾压”
英伟达内部运行的并非不可知的黑箱，而是几套打磨数年的AI工具链。例如，NB-Cell是一个基于强化学习的程序，专门处理标准单元库迁移这类繁重工作；Prefix RL旨在解决芯片布局中的棘手难题。Dally表示，该系统生成的布局方案“是人类永远无法想到的”，能将关键指标提升约20%到30%。
此外，英伟达还训练了内部大语言模型Chip Nemo和Bug Nemo。公司将历史上每一代GPU的RTL代码、架构文档、设计规格等资料喂给这两个模型。用Dally的话说，这相当于将英伟达从G80到Blackwell二十年的工程“肌肉记忆”蒸馏成了一个内部模型，新工程师能直接获得二十年经验积累的辅助。
那么，这是否意味着“AI可以自主设计GPU”了？答案恰恰相反。Dally坦言：“我很希望有一天能直接说‘给我设计一颗新GPU’，但我们离那一步还很远。”英伟达并未用AI直接设计出GPU，但它所做的另一件事，可能让整个行业未来都难以离开它。
20亿美元入股，绑定EDA生态命脉
2025年12月1日，英伟达以20亿美元入股EDA（电子设计自动化）三巨头之一的新思科技（Synopsys）。双方签署联合开发协议，将英伟达的加速计算栈嵌入新思科技的整个EDA工作流程中，Blackwell及下一代Rubin GPU将与Synopsys.ai进行深度整合。
新思科技的地位举足轻重。全球几乎每一颗先进制程芯片，包括苹果M系列、AMD MI系列、谷歌TPU等，在设计阶段都依赖于新思科技或楷登电子（Cadence）的工具链。这两家公司与西门子EDA共同垄断了芯片设计的底层工具软件。
入股新思科技三个月后，英伟达进一步将楷登电子、西门子、达索系统也纳入合作阵营，宣布它们都在基于英伟达GPU开发AI驱动的芯片设计工具。英伟达公布的基准测试数据显示了惊人的加速效果：Synopsys PrimeSim在Blackwell上快30倍，Proteus快20倍。联发科使用H100将Cadence Spectre提速了6倍。
一个关键细节是：Cadence的Millennium M2000平台被标注为“专为EDA市场打造，独家基于NVIDIA Blackwell”。“独家”二字意味着，未来想要使用性能最强的EDA工具，可能必须购买英伟达的硬件。
（示意图：英伟达GPU对EDA工具的加速效果对比）
深层飞轮：让竞争工具依赖于自身硬件
公众通常理解的英伟达飞轮是：出售GPU给AI公司 -> AI公司训练大模型 -> 大模型证明GPU不可或缺 -> 带动更多GPU销售。然而，在此之下还存在更深层的飞轮。
英伟达利用其先进的内部AI工具设计下一代GPU，大幅提升设计效率，形成代际差距。同时，它将整个行业的EDA工具链与自家硬件深度绑定。竞争对手若想追赶，其追赶过程中所依赖的设计工具，却可能不得不从英伟达的生态体系中“租用”。
这造成了某种悖论：设想AMD的工程师想要设计一颗对标Blackwell的芯片，当他打开新思科技的工具时，会发现该工具在英伟达GPU上运行最快。那么，他要么接受更长的设计周期，要么购买英伟达的GPU来加速设计——即用对手的工具，来设计击败对手的产品。
国产GPU的艰难现实
在英伟达高歌猛进的同时，国产GPU厂商正面临严峻挑战。英伟达2025财年净利润突破700亿美元的同一年，被称作国产GPU“四小龙”的摩尔线程、沐曦、壁仞、燧原仍在为盈利苦苦挣扎。
根据公开数据，摩尔线程2022年至2024年累计净亏损约50亿元；沐曦三年累计亏损超过30亿元；壁仞情况更为严峻，三年半亏损超过63亿元。这些公司的研发投入强度极高，例如摩尔线程2022年研发费用占营收比例高达2422.51%，2024年仍为309.88%。
更根本的制约在于工具链。目前，国产EDA工具在先进制程支持上仍存不足。华大九天创始人刘伟平曾坦言：“国产EDA对先进工艺的支撑还存在明显不足……目前国产EDA可以做到14nm的水平，虽然掌握了7nm工艺技术，但在与实际应用的深度融合上还需要全产业链的协同发力。”这意味着，对于7nm以下先进制程的全流程设计，国产GPU公司仍严重依赖海外EDA工具。
而如今，这些海外EDA工具的最快版本，正被加速整合进英伟达的硬件生态中。
贯穿产业链的闭环
回顾过去一年，英伟达所做之事可归结为一点：将AI深度应用于芯片产业链中价值最高、护城河最深的各个环节，然后将这些工具层层“售卖”给整个行业。
在芯片设计前端，有Chip Nemo等内部模型辅助；设计中后端的单元库迁移、布局优化，由NB-Cell、Prefix RL等工具提速；整个EDA工具链，通过投资与合作，将其性能与英伟达GPU深度绑定；甚至在制造端的光刻计算领域，英伟达的cuLitho库也已被台积电（TSMC）采用。
从设计到制造，英伟达正在用AI重塑每一个关键环节。而每一个环节的优化，最终都指向同一个结论：若想使用最快的工具以保持竞争力，就需要购买英伟达的硬件。对于所有意图挑战英伟达的竞争者而言，一个尴尬的局面已然浮现：设计竞争芯片所需的最强工具、制造环节的关键计算软件、乃至训练设计AI所需的算力，其最优解都可能通向英伟达。
正如业界所观察到的：那个你想要超越的巨人，正在向你出租用以击败它的全套工具。而租金，需要按年支付，且合同价格逐年看涨。