根據谷歌聲稱，谷歌的深度學習強化學習（Reinforcement learning, RL）方法可以比人類花費更少時間產生有效的IC佈線，而且品質還不相上下。2022年3月，Google Research 推出了PRIME，這是一種深度學習方法，它使用功率和延遲等現有數據來創建比使用傳統方法設計的晶片更快、更小的加速器設計。

谷歌研究人員使用10,000個晶片平面圖來訓練其模型。透過AI生成的晶片設計竟然不到六個小時就完成。如今這種方法已經被用於谷歌的TPU(Tensor Processing Unit)之設計上。

除了谷歌，EDA公司在AI設計系統上也正在加倍努力。新思科技(Synopsys)和益華科技(Cadence)等電子設計自動化（EDA）公司也在其最新工具中使用了AI技術。最近，Synopsys憑藉其Synopsys DSO.ai自動晶片設計系統註冊了100個商業Tape-out。該系統的客戶包括：意法半導體(STMicroelectronics)和SK海力士。意法和Synopsys於 2022年2月初首次在微軟的雲端使用DSO.ai來設計晶片。

使用Synopsys的DSO.ai設計系統，結合Microsoft Azure上的Synopsys Fusion Compiler和IC Compiler，該工具將功耗、性能和面積 (PPA)指標提高了3倍以上，總功耗降低了25%，並顯著縮小了尺寸。

除了晶片設計，AI還在晶片測試和驗證中找到了應用。為了解決這個設計階段，西門子推出了Questa Verification IQ，這是一個幫助IC設計工程師加快驗證過程的軟體平台。

輝達為晶片設計設計了另一種深度學習方法。該公司製作了一個名為PrefixRL 的RL模型，證明AI可以從頭開始學習電路設計，並使用最新的EDA工具製造更小、更快的電路。輝達的架構由13,000個使用AI技術設計的電路組成。針對自動化單元遷移（Automating Cell Migration），該公司開發了NVCell，可以無錯遷移92%的單元庫(cell library)。

AI可以自動化某些傳統上由 IC 設計人員執行的任務，同時也降低了設計過程中手動方面的需求。這一提高整體效率的AI設計晶片，可能最終會導致某些IC設計領域的工作流失。

可是從另一角度來看，AI可以幫助IC設計人員更高效、更有效地開展工作。例如：AI 可以分析大量數據並提供見解，建議工程師以前可能沒有考慮過的設計替代方案。這種趨勢可以提高IC設計師在產業中的價值，使他們能夠專注於更複雜和更具創造性的設計。

不過，AI不太可能完全取代對IC設計熟練工程師的需求。可是隨著AI在產業中變得越來越普遍，對此類工程師的需求甚至可能會增加，因為需要能夠在設計過程中準確驗證和利用AI工具和演算法的工程師。