英偉達「量子日」雙響炮：開源 AI 模型 Ising 引爆量子股，內部 AI 一夜幹完 80 人月晶片設計

作者：克洛德，深潮 TechFlow

深潮導讀：英偉達 4 月 14 日「世界量子日」發布全球首個開源量子 AI 模型家族 Ising，糾錯解碼速度較行業標準提升 2.5 倍、精度提升 3 倍。

量子概念股當日集體暴漲，IonQ 漲 18%、D-Wave 漲 15%。同日，首席科學家 William Dally 在 GTC 2026 透露，AI 已將晶片標準單元庫移植從 8 人 10 個月壓縮至一塊 GPU 一夜完成，且設計結果優於人工。

英偉達正在用 AI 加速兩個最難的工程問題：讓量子計算機真正可用，以及讓 GPU 設計本身更快更好。

4 月 14 日「世界量子日」，英偉達發布了全球首個面向量子計算的開源 AI 模型家族 NVIDIA Ising，量子概念股應聲集體大漲。同期，公司首席科學家 William Dally 在 GTC 2026 上披露了 AI 在英偉達內部晶片設計流程中的最新進展，其中一項任務的效率提升幅度達到數百倍量級。

兩條線索指向同一個判斷：AI 正在從「應用層工具」變成「基礎設施的基礎設施」，既加速下游產業（量子計算），也加速 AI 自身的硬體迭代。

全球首個開源量子 AI 模型，瞄準量子計算兩大瓶頸

據英偉達 4 月 14 日新聞稿，Ising 模型家族首批包含兩個模型域：Ising Calibration 和 Ising Decoding，分別針對量子計算落地的兩大核心瓶頸。

量子處理器的量子比特（qubit）天生帶有噪聲，目前最好的量子處理器大約每一千次運算出一次錯。要讓量子計算機具備實用價值，錯誤率需降至萬億分之一以下。

Ising Calibration 是一個 350 億參數的視覺語言模型，能自動解讀量子處理器的測量數據並做出校準決策，將此前需要數天的校準流程縮短至數小時。Ising Decoding 則是一對 3D 卷積神經網路模型（分別優化速度和精度），用於量子糾錯的即時解碼，較目前開源行業標準 pyMatching 快 2.5 倍、精度高 3 倍。

英偉達量子產品總監 Sam Stanwyck 在發布會上解釋了開源策略的邏輯：量子硬體廠商各自的噪聲特徵不同，開源模型允許他們在本地用自有數據微調，既提升性能又保護專有數據。

英偉達 CEO 黃仁勳的表態更為直接。他在聲明中說，AI 正在成為量子機器的控制平面，將脆弱的量子比特轉化為可擴展、可靠的量子 GPU 系統。

據英偉達披露，已有多家機構率先採用 Ising 模型，包括哈佛大學工程與應用科學學院、費米國家加速器實驗室、IQM Quantum Computers、勞倫斯伯克利國家實驗室、英國國家物理實驗室等。

量子概念股集體暴漲，IonQ 單日飆升 18%

Ising 發布當天，美股量子概念股出現一輪集體暴漲。據 Yahoo Finance 數據，IonQ 當日上漲約 18%、D-Wave Quantum 漲約 15%、Rigetti Computing 漲約 12%。

這輪漲幅的背景是量子概念股年初至今普遍處於深度回調中。截至 4 月 14 日前，IonQ 年內跌約 22%，D-Wave 跌約 35%，Rigetti 跌約 23%。當日的雙位數反彈並未改變年內下行趨勢，但集體聯動的幅度仍然引人注目。

需要指出的是，這輪行情的驅動因素並非僅有 Ising 發布。IonQ 同日宣布了量子網路里程碑進展和一份 DARPA 合同，Rigetti 也有來自印度高級計算發展中心（C-DAC）的 840 萬美元訂單消息。多重催化劑疊加放大了板塊效應。

分析機構 Resonance 預測，全球量子計算市場規模到 2030 年將超過 110 億美元。量子經濟發展聯盟（QED-C）在同日發布的報告中稱，2025 年全球量子市場已達 19 億美元，純量子企業員工增長 14%。

80 人月壓縮至一夜：AI 重塑英偉達晶片設計流程

Ising 指向外部產業加速，英偉達內部則用 AI 重塑自身的晶片設計流程。

英偉達首席科學家 William Dally 在 GTC 2026 與谷歌首席科學家 Jeff Dean 的對談中，披露了多個具體案例。最具衝擊力的數據來自標準單元庫移植：每當英偉達轉向新的半導體製程（比如從 7 奈米到 5 奈米），需要將約 2500 至 3000 個標準單元重新設計適配新工藝，此前需要 8 名工程師花費約 10 個月。英偉達開發了一套名為 NVCell 的強化學習工具，如今可以在一塊 GPU 上一夜完成，且產出的單元在面積、功耗和延遲等指標上匹配甚至優於人工設計。

據 Tom’s Hardware 報導，Dally 稱這個過程像一個「修復設計規則錯誤的電子遊戲」，強化學習擅長的正是這類試錯式優化。

在更高的抽象層面，英偉達開發了內部專用大語言模型 Chip Nemo 和 Bug Nemo。這些模型基於英偉達 30 年積累的專有數據微調，涵蓋了公司歷史上所有 GPU 的 RTL 代碼、硬體設計文件和架構規格。據 Dally 介紹，初級工程師可以直接向 Chip Nemo 提問，省去反覆打擾資深設計師的時間。他把 Chip Nemo 描述為「一個非常有耐心的導師」。

在電路優化層面，英偉達還將強化學習應用於進位前瞻鏈等經典電路設計問題。Dally 稱，AI 產出的設計方案「完全是人類不會想到的怪異方案，但實際性能比人類設計好 20% 到 30%」。

距離 AI 獨立設計晶片仍有很長距離

不過 Dally 也明確劃定了預期邊界。他說，自己很想實現端到端的狀態，目前離那個目標還很遠。

英偉達目前的 AI 晶片設計仍然是輔助而非取代。AI 在標準單元移植、Bug 分類與摘要、佈局布線預測、架構空間探索等環節各自發力，但尚未形成完整的端到端自動化流程。Dally 設想的長期方向是多智能體模型，不同的 AI 系統各自負責設計的不同環節，類似人類工程團隊的分工方式。

據 Computer Weekly 報導，Dally 和 Dean 在對談中還討論了 AI 智能體對傳統軟體工具的衝擊：當 AI 智能體的運行速度遠快於人類時，為人類用戶設計的傳統軟體工具將成為性能瓶頸，從程式設計工具到業務應用都需要重新設計。