図1　LSI設��のためのLLMアシスタントChipNeMoを開発　出�Z：Nvidia

Nvidiaは、2022�Qに�收�AIが登場してくるまで、2〜3�Qに�kつの新����を出していた。しかし�收�AIの登場以来、ほぼ毎�Q�kつ新しいGPUやAIチップを出すようになった。その背景の�kつは、�收�AIを����していることだった。たた、�收�AIと言えども、�kからLSI設��の学�{を教え込むわけではない。AIで最�Zよく使われるようになった�{加学�{を使うのである。

LLMでは、言語をトークンと�}ばれる単位に区切って学�{させているが、そのトークンのパラメータ数が�j��模になればなるほど学�{期間が長くなった。最初のチャットGPTでは1750億パラメータという巨�jなデータを学�{させるために数�h個という�j量のGPUを使っても300日��度かかったとされている。そこでできるだけ少ないパラメータで学�{させる�気�実��的になる。

LSI設��にしてもそのままチャットGPTを使うのではなく、LSI設��に��化したいわばカスタマイズした�收�AIを使う�気�より��確で�]時間で�T果が�uられる。Nvidiaが開発した�收�AI「ChipNeMo」を使えば、GPUのアーキテクチャや設��に関する��問にすぐ答えられ、しかも��要な�\術文書を早く見つけてくれる。さらにLSIの設��言語から�~単なスニペット（言語の中から�~単に切り�aりして再�W��できる�霾�）を�收�し、コード開発を�~単にしているという。基盤モデルとして700億パラメータのLlama（ラマ）2を使いながら、130億および70億パラメータと少ないChipNeMoチャットモデルが出来たとしている。

�k般に、�收�AIの学�{には、学�{させるべきデータの収集から始まり、モデルの���i学�{、基盤モデルによる学�{、カスタマイズを経て、ファインチューニングで��後学�{をさせてから�W��（デプロイ）できるようになる（図2）。

図2　半導��設����の�收�AIプラットフォームChipNeMoの�{加学�{による�}順の例　出�Z：Nvidia

�k般のユースケースではこれだけにとどまらず、NVIDIA NeMo Guardrailsで合法的なことを学�{させているかどうかをチェックする。実際に推�bして使う場合には NIM（NVIDIA Inference Microservice）を�W��すると、すでに構築されたコンテナが附�錣靴討�り��要なモデルを���Iしてすぐに使えるようになっている。

Nvidiaの�收�AIではコード�收�と要約、設���мqのチャットボットという3つの機�Δ鮗存修靴討い襦�こういった�{加学�{でカスタマイズするためのツールもNvidiaは開発しており、RAG（Retrieval-Augmented Generation：検索拡張�收�）と�}ぶテクノロジーが威��を発ｧする。この�\術は外�陬宗璽垢�ら�D�uした情報を��いて、�收� AI モデルの�@度と信頼性を向�屬気擦襪發里世箸いΑ�

NVIDIA NeMo は、カスタマイズされたエンタープライズ グレードの�收� AI モデルの構築に��化した、オープンソースのエンドツーエンド プラットフォームである。LSI設��だけではなく、創薬開発やデータ分析、シミュレーション、ロボティックスやデジタルツインなど様々なAIコンピューティングプラットフォームにさまざまなNeMoプラットフォームがある。