作者：克洛德，深潮 TechFlow

深潮导读：英伟达 4 月 14 日「世界量子日」发布全球首个开源量子 AI 模型家族 Ising，纠错解码速度较行业标准提升 2.5 倍、精度提升 3 倍。

量子概念股当日集体暴涨，IonQ 涨 18%、D-Wave 涨 15%。同日，首席科学家 William Dally 在 GTC 2026 透露，AI 已将芯片标准单元库移植从 8 人 10 个月压缩至一块 GPU 一夜完成，且设计结果优于人工。

英伟达正在用 AI 加速两个最难的工程问题：让量子计算机真正可用，以及让 GPU 设计本身更快更好。

4 月 14 日「世界量子日」，英伟达发布了全球首个面向量子计算的开源 AI 模型家族 NVIDIA Ising，量子概念股应声集体大涨。同期，公司首席科学家 William Dally 在 GTC 2026 上披露了 AI 在英伟达内部芯片设计流程中的最新进展，其中一项任务的效率提升幅度达到数百倍量级。

两条线索指向同一个判断：AI 正在从「应用层工具」变成「基础设施的基础设施」，既加速下游产业（量子计算），也加速 AI 自身的硬件迭代。

全球首个开源量子 AI 模型，瞄准量子计算两大瓶颈

据英伟达 4 月 14 日新闻稿，Ising 模型家族首批包含两个模型域：Ising Calibration 和 Ising Decoding，分别针对量子计算落地的两大核心瓶颈。

量子处理器的量子比特（qubit）天生带有噪声，目前最好的量子处理器大约每一千次运算出一次错。要让量子计算机具备实用价值，错误率需降至万亿分之一以下。

Ising Calibration 是一个 350 亿参数的视觉语言模型，能自动解读量子处理器的测量数据并做出校准决策，将此前需要数天的校准流程缩短至数小时。Ising Decoding 则是一对 3D 卷积神经网络模型（分别优化速度和精度），用于量子纠错的实时解码，较当前开源行业标准 pyMatching 快 2.5 倍、精度高 3 倍。

英伟达量子产品总监 Sam Stanwyck 在发布会上解释了开源策略的逻辑：量子硬件厂商各自的噪声特征不同，开源模型允许他们在本地用自有数据微调，既提升性能又保护专有数据。

英伟达 CEO 黄仁勋的表态更为直接。他在声明中说，AI 正在成为量子机器的控制平面，将脆弱的量子比特转化为可扩展、可靠的量子 GPU 系统。

据英伟达披露，已有多家机构率先采用 Ising 模型，包括哈佛大学工程与应用科学学院、费米国家加速器实验室、IQM Quantum Computers、劳伦斯伯克利国家实验室、英国国家物理实验室等。

量子概念股集体暴涨，IonQ 单日飙升 18%

Ising 发布当天，美股量子概念股出现一轮集体暴涨。据 Yahoo Finance 数据，IonQ 当日上涨约 18%、D-Wave Quantum 涨约 15%、Rigetti Computing 涨约 12%。

这轮涨幅的背景是量子概念股年初至今普遍处于深度回调中。截至 4 月 14 日前，IonQ 年内跌约 22%，D-Wave 跌约 35%，Rigetti 跌约 23%。当日的双位数反弹并未改变年内下行趋势，但集体联动的幅度仍然引人注目。

需要指出的是，这轮行情的驱动因素并非仅有 Ising 发布。IonQ 同日宣布了量子网络里程碑进展和一份 DARPA 合同，Rigetti 也有来自印度高级计算发展中心（C-DAC）的 840 万美元订单消息。多重催化剂叠加放大了板块效应。

分析机构 Resonance 预测，全球量子计算市场规模到 2030 年将超过 110 亿美元。量子经济发展联盟（QED-C）在同日发布的报告中称，2025 年全球量子市场已达 19 亿美元，纯量子企业员工增长 14%。

80 人月压缩至一夜：AI 重塑英伟达芯片设计流程

Ising 指向外部产业加速，英伟达内部则用 AI 重塑自身的芯片设计流程。

英伟达首席科学家 William Dally 在 GTC 2026 与谷歌首席科学家 Jeff Dean 的对谈中，披露了多个具体案例。最具冲击力的数据来自标准单元库移植：每当英伟达转向新的半导体制程（比如从 7 纳米到 5 纳米），需要将约 2500 至 3000 个标准单元重新设计适配新工艺，此前需要 8 名工程师花费约 10 个月。英伟达开发了一套名为 NVCell 的强化学习工具，如今可以在一块 GPU 上一夜完成，且产出的单元在面积、功耗和延迟等指标上匹配甚至优于人工设计。

据 Tom's Hardware 报道，Dally 形容这个过程像一个「修复设计规则错误的电子游戏」，强化学习擅长的正是这类试错式优化。

在更高的抽象层面，英伟达开发了内部专用大语言模型 Chip Nemo 和 Bug Nemo。这些模型基于英伟达 30 年积累的专有数据微调，涵盖了公司历史上所有 GPU 的 RTL 代码、硬件设计文档和架构规格。据 Dally 介绍，初级工程师可以直接向 Chip Nemo 提问，省去反复打扰资深设计师的时间。他把 Chip Nemo 描述为「一个非常有耐心的导师」。

在电路优化层面，英伟达还将强化学习应用于进位前瞻链等经典电路设计问题。Dally 称，AI 产出的设计方案「完全是人类不会想到的怪异方案，但实际性能比人类设计好 20%到 30%」。

距离 AI 独立设计芯片仍有很长距离

不过 Dally 也明确划定了预期边界。他说，自己很想实现端到端的状态，目前离那个目标还很远。

英伟达目前的 AI 芯片设计仍然是辅助而非替代。AI 在标准单元移植、Bug 分类与摘要、布局布线预测、架构空间探索等环节各自发力，但尚未形成完整的端到端自动化流程。Dally 设想的长期方向是多智能体模型，不同的 AI 系统各自负责设计的不同环节，类似人类工程团队的分工方式。

据 Computer Weekly 报道，Dally 和 Dean 在对谈中还讨论了 AI 智能体对传统软件工具的冲击：当 AI 智能体的运行速度远快于人类时，为人类用户设计的传统软件工具将成为性能瓶颈，从编程工具到业务应用都需要重新设计。