近日,美国初创公司Architect Labs借助AI工具自主设计并验证了一款名为Frostbite的通用CPU架构,其每瓦性能达到传统处理器的4.59倍。这一突破不仅刷新了人们对AI能力的认知,也预示着芯片设计正迈入一个全新阶段。

AI自主设计CPU:颠覆传统架构的新范式

传统CPU设计一直被视为人类工程师的智力巅峰之一。从指令集的定义到微架构的布局,每一个环节都需要多年积累的经验和细致的权衡。然而,位于加州帕洛阿尔托的初创公司Architect Labs却选择了一条截然不同的路径:他们让AI系统在没有预设任何处理器架构理念的前提下,自主发现、设计并验证了一款名为Frostbite的通用CPU。

所谓“零架构先验”(Zero Architectural Priors),并不是说AI完全没有目标。团队提前确定了需要重点优化的25项工作负载,但AI对这些负载该如何映射到硬件一无所知。它就像一张白纸,从零开始探索计算结构。这种思路与人类设计传统形成鲜明对比——人类工程师总是带着已有的“架构直觉”,而AI则可能找到人类从未想过的方案。

这一成果让业界为之侧目。虽然AI辅助芯片设计已经不算新闻,但由AI直接生成完整CPU架构、指令集和验证环境,这还是第一次。我们或许已经习惯了AI工具在文本生成、图像绘制上的惊艳表现,但用AI工具来设计一块完整CPU,还是令人震撼。这无疑是最新科技领域的一次重磅发布,也让芯片设计自动化的讨论热度骤然上升。

Frostbite的出现,意味着AI不再只是人类设计的“辅助工具”,而是有能力成为真正的“设计者”。这种角色的转变,可能比能效数据本身更有意义。

Frostbite的能效秘密:从“免费多线程”到工作窃取

Frostbite最吸引眼球的是其能效表现。在25项工作负载测试中,由4个计算单元(Tile)组成的Frostbite集群,每瓦性能达到了尺寸相近的、已完成硅验证的双发射顺序执行CPU核心的4.59倍。更夸张的是,其单位面积性能达到了对照核心的8.77倍。这些数据来自基于7纳米工艺的模拟设计,尚未经过流片验证,但足以让人看到架构创新的潜力。

Frostbite的架构究竟有何特殊之处?它由多个结构相同的小型处理单元Tile组成,每个Tile都拥有独立的本地内存,通过片上网络互相连接。在本次测试中,采用了4个Tile和4个L3节点的集群;完整设计实际上包含16个Tile。

传统CPU需要在运行时通过硬件判断指令之间的依赖关系,识别哪些指令可以并行执行;多核处理器还需要复杂的多级缓存和缓存一致性协议来确保数据一致。这些机制占用大量芯片面积和功耗,而且随着核心数量增加,扩展效率会不断下降。Architect Labs提出了“免费多线程”(Multithreading for Free)的替代思路:让程序本身直接暴露可并行执行的工作,不再依赖传统线程、锁机制或乱序执行硬件。

AI设计还意外带来了一个有趣的行为——“工作窃取”(Work Stealing)。当某个Tile没有任务时,它可以从相邻Tile获取尚未完成的工作;如果依然没有任务,则进入空闲状态节省电力。这一特性并非人类设计师明确规定,而是AI在优化过程中自发涌现的。这种涌现行为展示了AI Agent技术在复杂搜索空间中的创造力,也让Frostbite的架构带有某种“生态化”的特征。

AI工具如何完成芯片设计?从零架构先验到形式化验证

很多人好奇,AI究竟是怎样设计出一款CPU的?Architect Labs在博客中披露了详细流程,其复杂度远超一般人的想象。

首先,多个AI智能体通过阅读学术论文和性能测试资料,建立起Python模型,然后从众多候选方向中选定一个架构思路。最初,AI生成了一份长达141页的设计文档,涵盖编程模型、运行时环境和高层硬件模块。但团队很快将这份PDF删除,因为文档中的许多数字和估算结果与物理实际相差甚远。团队认为,自然语言无法准确表达硬件规格的所有细节,也不足以发现错误。

于是,AI改用Architect Labs自研的硬件描述语言ASL来编写规格。ASL可以转换为Lean证明系统中的形式化表达,并接受机器验证。这种方式不仅消除了大量潜在错误,还减少了AI智能体为了达到优化目标而“钻空子”的可能性。在此基础上,AI开发了Arcmodel——一个用ASL编写的软件模型,能够模拟整颗芯片的运行行为,速度约为RTL仿真的200倍。

功耗估算一开始并不准确,最大偏差接近250%。系统通过自动化迭代不断调整模型,最终将偏差缩小到5%以内。完成基础模型后,大量AI智能体并行提出设计优化方案,每项修改都必须经过规格验证、快速模型测试、电路设计实现和功耗测量四道关卡。整个过程AI尝试了58项优化,最终保留了37项。

这套流程已经把AI工具的自动化水平推到了新高度。它不再只是代码生成器,而是一个完整的芯片设计团队。对于希望提升研发效率的企业来说,也许可以从AI工具箱中寻找启发——AI不仅能辅助人类,甚至能独立完成复杂的工程任务。

能耗分布重构:AI设计的独特取舍

Frostbite与传统CPU的能耗构成截然不同,这背后体现出AI设计独特的权衡逻辑。根据公司对20种工作负载的平均测量(不包括时钟分配能耗),传统CPU的能耗中,内存占比57%,指令获取、解码和发射占比27%;而在Frostbite中,内存能耗占比降至38%,指令获取、解码和发射仅占6%。与此同时,由于采用Tile架构,Frostbite新增了片上网络和调度器的能耗,占比达到26%。时钟分配占总能耗的比例也从传统CPU的49%降至41%。

从数据看,AI将大量晶体管预算从“控制指令执行顺序”转移到了“数据通信与调度”上。这种取舍带来了显著的能效收益——指令获取、解码和发射环节的能耗占比从27%降到6%,几乎可以说是革命性改进。但我们也应看到,片上网络和调度器并非没有成本,其能耗占比达到26%,这意味着在更大规模的Tile集群中,通信开销可能会成为新的瓶颈。

这种系统级重构的思路,与企业数字化转型中的流程再造不谋而合——不是简单优化局部,而是重新设计整个信息流动的方式。传统CPU为了兼容旧软件,背负了太多历史包袱;而AI设计的Frostbite则有机会从零开始,只为效率服务。当然,这种自由也带来兼容性挑战,毕竟整个软件生态都需要适配新的指令集和编程模型。

不止Frostbite:AI芯片设计的应用前景与挑战

Architect Labs并非唯一探索AI设计芯片的公司。今年8月,该公司还公布了Redwood——一款面向机器人和无人机的AI推理加速器。在两名人类架构师提供设计规格后,AI在不到两周内就生成了RTL代码、验证程序、固件、驱动程序和计算内核。与此同时,英国剑桥的初创公司Tendrils Compute也在开发类似方向的处理器,目标是让“数千个核心并行运行”,并配备了名为Vine的编程语言。

AI设计芯片的浪潮正在兴起,但目前我们仍需保持审慎。Frostbite的所有性能优势都来自7纳米工艺的模拟设计,尚未真正流片。模拟与物理世界之间始终存在差距,实际硅片能否复现这些数据,仍是未知数。此外,AI设计的芯片在可解释性和调试方面也面临挑战——当AI生成一个复杂架构时,人类工程师未必能完全理解其内部逻辑,这给验证和排错带来了困难。

不过,AI确实大大降低了芯片设计的门槛。以前设计一款CPU需要庞大的团队和数年的研发周期,如今有了AI的加入,或许一个小团队几个月内就能拿出可用方案。正如我们用AI画图生成草稿后仍需要人工打磨,AI生成的芯片设计同样需要人类专家审视。但无论如何,未来的科技产品一定会因为AI的介入而变得更高效、更节能,这也正是最新科技发展的魅力所在。

未来展望:开源、测试与行业影响

Architect Labs透露,未来几个月将公布更多性能测试结果,包括使用SPEC、PARSEC等主流CPU基准测试套件,与乱序执行CPU进行对比。他们还打算推出基于FPGA的在线实验平台,让任何人都能运行Frostbite程序,同时提供初步版本的操作系统。最终,公司计划公开Frostbite的RTL设计代码和指令集。

如果这些计划顺利实现,芯片设计将迎来一次真正的民主化浪潮。想象一下,未来一个学生团队也能借助AI工具设计出可用的处理器,那将彻底改变半导体行业的创新格局。当然,短期来看,AI不会完全取代人类芯片架构师,但它可以成为强有力的探索伙伴,帮助人类在庞大的设计空间中寻找更优解。

从大模型训练到AI芯片设计,AI正在重塑硬件与软件的边界。Frostbite的发布,标志着AI从“内容生成”走向“系统创造”。作为科技编辑,我认为这不仅是能效数字的胜利,更是一种新范式的宣告——未来的芯片设计,或许将不再是人类独自完成的智力马拉松,而是人与AI协同进化的新旅程。