跳到文章正文
行业/好文 编辑推荐

AI 自己设计出一颗 CPU:Frostbite 每瓦性能达传统核心 4.59 倍

一家帕洛阿尔托初创公司让 AI 智能体从零设计了一颗全新指令集的通用 CPU,模拟数据显示每瓦性…

如果让一个大模型从零设计一颗处理器,它会先画什么?不是缓存结构,也不是流水线,而是一份长达 141 页的设计文档——然后在第一版 RTL 生成之后,把这份文档删掉。这不是段子,而是帕洛阿尔托初创公司 Architect Labs 刚刚公布的真实过程:他们的人工智能系统自主发现、设计并验证了一款名为 Frostbite 的通用 CPU,用的还是全新的指令集。

AI 自己设计出一颗 CPU:Frostbite 每瓦性能达传统核心 4.59 倍
Frostbite 采用多计算单元(Tile)结构,通过片上网络互联

一分钟速览

  • Architect Labs 的 AI 系统自主完成一颗通用 CPU 的架构发现、RTL 设计与形式化验证,指令集从零重写。
  • 在 25 项工作负载中,4 个计算单元组成的 Frostbite 集群每瓦性能达到同尺寸、已流片验证的双发射顺序执行核心的 4.59 倍,单位面积性能达 8.77 倍。
  • 这些数字来自 7 纳米工艺的模拟设计,芯片尚未流片,对照核心的型号因法律原因没有公开。
  • 核心思路叫“免费多线程”:让程序自己暴露可并行的工作,绕开乱序执行、锁机制和复杂缓存一致性的开销。
  • 团队计划公开 RTL 代码与指令集,并上线基于 FPGA 的在线实验平台。

一颗“零架构先验”的芯片

Architect Labs 把起点称为“零架构先验”(Zero Architectural Priors):AI 系统一开始没有任何预设的处理器架构理念,只被告知要重点优化哪些工作负载。随后,多个 AI 智能体自己去读学术论文、翻性能测试资料、建立 Python 模型,再从这些材料里选出一个架构方向,展开设计。

最初生成的设计文档覆盖编程模型、运行时环境和高层硬件模块。但在第一版寄存器传输级(RTL)设计出来后,这份 PDF 被直接删除。公司的解释很直白:文档里大量数字和估算与物理实现的真实情况相差太远,它从一开始就只是设计起点。

更关键的变化发生在描述方式上。确定方向后,AI 不再用自然语言写硬件规格,因为自然语言说不清所有细节,也很难暴露错误。它改用团队自研的硬件描述语言 ASL,这种语言可以转成 Lean 证明系统中的形式化表达,交给机器验证。团队认为,这既能消除大量潜在错误,也能减少智能体为了凑优化目标而“钻规则空子”的空间。

4.59 倍是怎么算出来的

性能对比的参照物是一款尺寸相近、已经完成硅验证的双发射顺序执行 CPU 核心。Frostbite 用 4 个计算单元加 4 个 L3 节点组成的集群应战,完整设计其实包含 16 个计算单元,每个单元结构相同,带独立的小容量本地内存,通过片上网络互联。

  • 全部 25 项测试的每瓦性能几何平均值:4.59 倍;
  • 用于设计调优的 10 项测试:6.02 倍;
  • 最终评估阶段才引入、未参与调优的 15 项测试:3.83 倍;
  • 表现最好的 conv2d(未参与调优):23.12 倍;
  • 表现最差的递归斐波那契(未参与调优):1.15 倍。

这组数字里最有信息量的不是 4.59,而是 6.02 与 3.83 的落差:见过世面的任务上提升明显,没见过的任务上打了折扣,说明这套设计仍然带有对特定工作负载的适配痕迹,离“通用”还有距离。

数据支撑:模拟与真硅之间

频率变化同样值得注意。早期综合阶段,这颗处理器的设计频率一度达到 800MHz,到最终布局设计降至 500MHz。功耗估算最初也不准,最大偏差接近 250%,后来靠自动化迭代逐步收敛。团队还先做了一个用 ASL 编写的软件模型 Arcmodel,在真正画电路之前就模拟整颗芯片的行为,运行速度约为 RTL 仿真的 200 倍,这让 AI 可以在可接受的时间内反复试错。

但所有优势目前都停留在 7 纳米工艺的模拟设计上。Frostbite 没有流片,没有真实的芯片可以验证,对照核心的型号也没有公开。换句话说,这是一份极其完整、但尚未经过硅片检验的设计答卷。

趋势洞察

过去两年,AI 在芯片领域的角色主要是“辅助”:帮工程师做布局布线、优化功耗、生成验证用例。Frostbite 想证明的是另一件事——AI 可以承担架构层面的决策,并且用形式化验证给自己兜底。如果这条路走通,芯片设计的门槛和周期都会被重新定义。

但也要看到,模拟数据与量产芯片之间隔着巨大的鸿沟:工艺偏差、时序收敛、良率、软件生态,任何一项都可能把 4.59 倍吃掉。团队接下来准备扩大测试工作负载,引入 SPEC、PARSEC 等主流基准,并与更大规模、更宽发射的乱序核心对比,同时公开 RTL 与指令集。真正的答案,要等流片之后才能给出。

对行业来说,这件事的意义或许不在于 Frostbite 本身能否量产,而在于它把“AI 设计硬件”从论文推到了可验证的工程流程上。下一个问题不再是 AI 能不能设计芯片,而是人类工程师愿意把多少决策权交出去。

本文地址:https://www.163264.com/22598