
一颗全新CPU,刚刚面世,由AI自主设计!
美国人工智能初创公司Architect Labs声称,其人工智能系统从零开始设计了一种全新的通用CPU架构,包括指令集、微架构、RTL代码、验证以及最终的GDS布局。该公司声称,在25种工作负载下,其新设计的每瓦性能是传统CPU核心的4.59倍,单位面积性能是传统CPU核心的8.77倍。然而,这些结果来自芯片制造前的仿真,而非实际的物理处理器。
与传统CPU不同,Frostbite架构基于一种名为交互网络(interaction nets)的数学模型,该模型最早于1990年提出。它不依赖单个大型核心,而是使用由小型计算单元组成的网格,这些计算单元执行以交互网络形式表示的程序:交互网络是一种图,其中的计算通过对连接节点进行局部重写来实现。每个计算单元首先处理自身的任务,并在空闲时从相邻计算单元接收额外的工作。如果没有工作可做,它可以进入非活动状态以节省电量。这种分布式方法无需集中式调度器,旨在使架构更易于扩展。
Architect Labs 表示,这种方法还能减少对共享可变内存、复杂缓存层次结构和缓存一致性机制的需求。每个值都只有一个所有者,计算则通过连接节点之间的本地交互完成。程序使用该公司开发的 Vine 语言编写,其语法类似于 Rust,并被编译成一种名为 Ivy 的中间表示形式。
该公司表示,其人工智能系统在“zero architectural priors”下探索了架构,迭代遍及编译器、指令集、架构、微架构、RTL、验证以及最终的GDS布局。该过程采用了形式化的、机器可验证的规范和多智能体集群,在四轮搜索和最后一轮测试中,共考虑了58个提案。Architect Labs表示,最终保留了37个提案。

为了进行性能评估,Architect Labs 使用 7 纳米工艺合成了 Frostbite 内核。该设计在合成过程中达到了 800 MHz 的频率,最终物理布局下的频率为 500 MHz。一个 Frostbite Quad 由四个以 2×2 网格排列的计算单元和四个 L3 缓存节点组成,面积为 0.792 平方毫米。作为对比的 CPU 内核(该公司称之为 TCPU)采用相同的工艺技术,面积为 0.895 平方毫米。出于法律原因,Architect Labs 没有透露竞争对手处理器的身份。

在 25 项工作负载测试中,Frostbite 架构的每瓦性能几何平均值是参考 CPU 核心的 4.59 倍。在优化过程中使用的 10 项工作负载测试中,其优势达到 6.02 倍;在最终评估前保留的 15 项工作负载测试中,其优势达到 3.83 倍。该公司还报告称,其单位面积性能优势高达 8.77 倍。

Architect Labs 表示,性能提升源于内存流量和指令开销的减少。测试结果因工作负载的不同而有显著差异。Frostbite 在高度并行任务中表现尤为出色,Architect Labs 还指出,它在分支和动态工作负载方面也优于参考核心。该公司计划扩展测试范围,纳入行业标准的 SPEC 和 PARSEC 基准测试,并与更大、更宽、乱序执行的 CPU 设计进行比较。
尽管成果令人鼓舞,但Frostbite架构仍处于实验阶段,而非已可量产的处理器。Architect Labs尚未宣布Frostbite芯片的量产或上市计划。该公司计划发布RTL和指令集架构(ISA),构建基于FPGA的软件测试平台,开发初步的操作系统,并使用SPEC和PARSEC等行业标准基准测试工具,对更大规模的Frostbite配置与多核CPU进行性能对比。
一种由人工智能全程发现、设计和验证的全新CPU架构研究
与其他科学领域类似,我们相信,在适当的自由度和约束条件下,人工智能系统可以协同设计软硬件,对整个技术栈进行优化,并开辟一个前所未有的庞大设计空间。我们着手解答以下问题:“我们的人工智能系统和工具能否带来一种全新的硬件发现,其性能远超人类设计?”
今天,我们隆重推出 Frostbite,一款从零开始构建的全新指令集通用 CPU。Frostbite 利用交互网络的特性——即每一步都是局部的、每个依赖关系都是显式的、每个值都只有一个所有者——实现了 CPU 性能的飞跃式提升,突破了长期以来的瓶颈。在最初选定的 25 个工作负载(其中 15 个保留到最终评估阶段)上,与经过硅验证的现代超标量(双发射、顺序执行)CPU 内核相比,我们实现了每瓦性能提升 4.59 倍。
我们的人工智能系统自主迭代了编译器、指令集架构 (ISA)、架构、微架构、RTL、验证以及最终的全局分布式系统 (GDS)。当我们深入研究已发现的架构原语时,我们惊讶地发现其中蕴含着新颖的硬件实现和运行时特性,而这些特性原本很难通过架构设计实现。尽管 CPU 核心性能的提升停滞不前,我们仍然能够将一个工作负载概念完整地推进到最终的 GDS,并验证了性能/功耗比 (perf/W) 和性能/面积比 (perf/area) 的阶跃式提升。我们相信,随着人工智能系统能力的不断增强,我们今天所知的每一类芯片,从数据中心级 CPU 到人工智能加速器,再到网络交换机和网卡,都将经历类似的根本性架构变革。
交互网络简介
主流编程语言在编译为通用CPU时,会隐藏程序各部分之间的依赖关系。任何代码片段都可以通过共享的可变状态读取或写入任何变量,因此现代CPU硬件会假定最坏情况,并在运行时重新发现哪些指令实际上相互依赖。此外,自2000年代初以来,单核CPU的性能基本停滞不前,这促使人们转向英特尔至强、AMD Zen和NVIDIA Vera等大型多核CPU。这迫使CPU维持每个核心都访问相同内存的假象,而为了保持这种假象的一致性和高性能,需要深度缓存层次结构和一致性协议,这会增加面积和功耗,并且扩展性差。
交互网络采用了一种不同的方法。程序是一个节点图,计算是通过重写通过端口连接的节点对来实现的。每次重写只会影响图中的一小部分局部区域。由于每个节点只有一个主端口,因此这些活动节点对之间永远不会重叠,所以它们可以按任意顺序重写,也可以同时重写,结果始终相同。交互网络也是线性的:每个值都只使用一次,因此硬件无需保护共享的可变状态。像Vine这样的语言可以直接将普通程序编译成交互网络。要深入了解交互网络及其为何适用于硬件,我们强烈推荐Tendrils的《On Interaction Nets》。

图 1 展示了在一个简单的搜索问题上,即在 5x5 的棋盘上放置五个皇后时,两种方法的差异。顺序程序每次只访问一个候选位置。而交互网络则展现了其所有独立工作:平均而言,每一步都有大约十二个交互操作准备就绪。为了实现这种并行性,程序本身并没有被重写;依赖关系始终保留了下来。
理论上,这应该有两大优势。首先是免费的多线程:并行性直接来自程序本身,无需使用不同粒度的粗细并行级别。没有线程、锁或竞争条件,也无需传统核心用于从中检索数据的乱序执行机制。其次,由于每个值只有一个所有者,且每个步骤都是局部的,数据可以驻留在使用位置附近的小型局部内存中。这大大减少了传统芯片在大型缓存子系统上占用的面积和功耗,以及维护这些缓存一致性的系统级复杂性。
过程
Frostbite 的设计完全没有预先设定任何架构。我们遵循以下步骤,并在此过程中运用了多种智能体集群。

架构探索与选择
为了开始架构探索,我们必须确定 Frostbite 应该在哪些工作负载下表现卓越。我们决定研究程序展现其工作方式的不同途径:同时执行多个独立模块、多轮并行工作、长顺序链、数据相关的分支以及递归。在每种类别下,我们都创建了一个搜索集和一个预留的评估集,用于评估最终的 Frostbite 版本,以确保该设计能够推广到从未针对其进行过优化的程序。FFT、基数排序和 LU 运算的内核遵循SPLASH-2基准测试中的实现,但规模缩小了 64 倍,因为常规规模的内核并不适合探索性工作。
后来,我们又在保留的数据集中添加了五个实际的工作负载:卡尔曼滤波器、PCA、有限元分析、LU求解和LZ4解压缩。

研究人员综合分析了研究论文和现有基准测试,并构建了 Python 模型,对各种高层架构理念进行权衡,最终确定了单一的架构概念。这项探索的成果是一份 141 页的 PDF 文件,涵盖了拟议的编程模型、运行时环境以及芯片的高层模块。这远非最终架构,而是一个起点,其中描述了所有先前的研究成果、高层需求、约束条件、实验结果和运行时特性。在完成第一次架构迭代(第一代 RTL 架构)后,该文件被删除,因为其中许多数值和估算值与实际物理可能性相差甚远。
正式合同和系统建模
一旦选定了架构候选方案,我们的系统便开始构建芯片的完整软件模型。构建软件模型对于探索架构空间至关重要,因为它能够实现工作负载、指令集架构 (ISA) 和硬件抽象视图之间的快速迭代。无论是构建 CPU、GPU、NPU 还是网络交换机,掌握这种迭代循环都能在有限的时间内以最快的速度探索设计空间。为了实现这一目标,我们设计了一种新的内部规范语言 ASL,并用它编写了 Frostbite 的系统模型“Arcmodel”。ASL 支持在 RTL、系统模型、UVM、SVA 等之间进行机器可验证的转换和细化,所有这些都基于形式化的规范。它的功耗和性能估算精度在 1% 到 5% 之间,运行速度比 RTL 仿真快约 200 倍,并且可以通过“契约”进行形式化验证。
迄今为止,所有芯片设计项目中,人类架构师都会编写大量的英文PDF文档,然后再交给实现团队和验证团队。然而,自然语言无法精确、明确地捕捉实现所需的每一个细节,也无法保证在ASIC设计和验证过程中能够捕捉到所有智能体可能出现的臆想。自然语言并非为此而生,在人工智能编写规范的世界里,我们选择使用一种形式化的、机器可验证的规范语言。
ASL 既可以正式描述高级的、类似协议的行为(例如乱序处理、CSR 编程、内存排序和一致性),也可以描述低级的细节(例如流水线、仲裁机制和计算传递函数)。这使得模型能够在需要时保持规范的开放性,并在需要精确行为时对其进行约束。ASL 还可以原生转换为 Lean 语言,我们在检查 RTL、UVM、C、SVA 等语言的 AI 输出时,会使用 Lean 语言进行所有定理证明。我们将在以后的文章中更详细地讨论 ASL。
在 Frostbite 的整个开发过程中,我们的 AI 紧密地迭代 Frostbite ISA、Arcmodel、设计和验证,并将 ASL 合约作为唯一的权威来源。我们发现,拥有一个单一且可验证的权威来源,可以有效避免在部署大型智能体集群时出现大量错误、低级错误以及奖励机制被滥用的情况。最终,这种通用语言使得模型能够灵活地跨技术栈运行,并将工作负载中的变更反映到最终硬件上。最终,我们的 Frostbite ASL 精简到了 80 万多行。

RTL 和对齐
由于 ASL 是一种正式规范,因此设计和验证由此派生的 RTL 是整个 Frostbite 开发过程中最快的部分。然而,Arcmodel 并不具备物理感知能力,因此其功耗和性能估算值最初与经过时序收敛和综合的干净 RTL 的实际数值存在偏差,最坏情况下偏差接近 250%。
在继续进行 ASL 自动研究之前,我们的一个系统会使用 RTL 对 Arcmodel 进行重新校准。这是一个完全自主的流程。它首先识别 RTL 中的功耗热点,并将其追溯到正式规范中的关键计数器,例如 SRAM 读写次数、操作计数、发送和接收的 flit 数量、信用返回次数以及帧丢失次数。然后,模型可以根据这些计数器编写任何标量 Python 函数来预测功耗,并重复此过程,直到 RTL 和 Arcmodel 的预测结果相差在 5% 以内。
我们发现这种非梯度学习方法非常有效。一旦完成首次物理对准,后续迭代速度就会快得多。当然,这些仍然是芯片制造前的功耗数据,经过多次流片循环,ASL 模型可以与芯片制造后的实际量产功耗数据相关联。

通过将 Arcmodel 和 RTL 紧密结合,持续运行的集群能够更快地进行探索和利用。完整的 Arcmodel 芯片仿真速度比 RTL 快得多(快 660 倍),这促成了许多跨堆栈优化。例如,我们的 AI 系统发现了非常精细的时钟门控技巧,并在短短几小时内调整了软件运行时以适应这些技巧。这种跨堆栈优化在传统的 ASIC 流程中几乎不可能实现。
合同、Arcmodel、RTL 和电力,共同迭代
Arcmodel 和 RTL 达成一致后,原有的 Python 模型和架构 PDF 文档被删除,ASL 合约成为芯片的唯一规范。此后,合约、Arcmodel、RTL 和功耗问题齐头并进。大量智能体在并行工作树中提出架构修改方案;每一项修改都需对照合约进行检查,并在 Arcmodel 中建模,在 RTL 中实现,并测量功耗,然后决定保留或舍弃。经过四轮搜索和最后一轮淘汰,智能体尝试了 58 个方案,最终保留了 37 个,涵盖了从运行单元上的时钟门到更小的 L3 表以及一个共享扩展器等各种方案。

架构创新
架构的完整细节足以单独撰写一篇文章。因此,我们在此选择重点介绍我们认为新颖或富有创意的功能,并着重强调我们的系统在推动硬件设计前沿方面的能力。
Frostbite 的程序是用 Vine 2编写的,Vine 2是一种功能齐全的编程语言,其语法类似于 Rust。Vine 程序会被编译成Ivy,这是一种中间表示 (IR),用于编码交互网络结构。优化器还会尽可能多地应用图简化规则,因此最终生成的Ivy 网络(简称 Ivy 网络)具有(基本)固定的形状,由三个基本元素组成:数据节点、计算节点和控制节点。然而,该网络的运行时间仍然非常动态,因为与典型的计算图(其并行性编码在结构中并随时间流水线化)不同,该网络的并行性必须在运行时从状态中导出,并按空间进行流水线化。最初的简单实现速度很慢,因此我们的智能体不得不发挥创造力。
生成的指令集架构 (ISA) 遵循这组约束条件。其中很多特性都在预期之内:例如宽束、硬件循环计数器和数据流。我们发现动态特性更有意思,特别是从网络其他部分获取、查看和复制值的操作,这些操作会并行运行。随后,各个模块开始活跃起来,跨越空间进行通信。

涌现产权:窃取作品
由于并行计算分布在空间中,因此没有中央调度器。相反,我们看到代理设计了这些巧妙的规则来分配工作。一个单元遵循三条规则:首先运行自身的工作,即其输入端口中的工作。如果这些端口为空,则从相邻的、有空闲工作的单元获取工作。如果没有找到这样的单元,则可以停止活动以节省能量。
这些代理商在实现这一目标方面展现出了非凡的技巧。下图展示了单个 Frostbite 组件的硬件配置:

其中很多内容大家应该都很熟悉。我们感兴趣的是负责上述工作窃取行为的运行时域。
编译器会将代码拆分成若干短小的片段,这些片段在输入准备就绪后即可不间断地运行。这些片段在引擎中运行,其前端的组织方式与传统的计算方式大体相同。每当循环或分支被拆分成大小事先未知的并行片段时,正在运行的片段会将后续的所有内容暂存到本地内存中的一个小型记录(帧管理器)中。然后,它将新任务放入一个名为工作队列 的硬件队列中,并自行获取最新的任务。空闲的相邻片段随后可以通过网络拉取剩余的任务。当任务以任意顺序在芯片上的任何位置完成时,它们的返回数据包会递减暂存记录的计数器,并在最后一个片段到达的瞬间自动唤醒下一个片段。
这就是它在硬件中的样子:

我们可以将每个“任务”理解为当前棋盘的下一层,并增加一个皇后。0 号棋盘必须先将所有可能的皇后配置对应的三个任务加入队列,才能完成当前棋盘状态的维护。由于它空闲,所以会选择执行最新的任务(来自自身)。与此同时,除了 5 号棋盘之外,其他棋盘的相邻棋盘都已执行完毕,5 号棋盘则继续进入休眠状态。
这种行为并非任何人为设定。我们可以直接追溯到特定回归和爬山算法性能指标的必要性。
结果
我们采用 7 纳米工艺合成了 Frostbite 内核,在综合阶段达到了 800 MHz 的时序,在最终的 GDS 中达到了 500 MHz。每个 Frostbite 四元组(一个 2×2 的网格单元)搭配四个 L3 节点,面积为 0.792 mm²。我们将一个四元组 + L3 节点集群与现代超标量(双发射、顺序执行)CPU 的单核进行基准测试,后者被我们称为 TCPU(“传统 CPU”)。在相同的工艺下,TCPU 的面积为 0.895 mm²。

我们对一系列工作负载进行了基准测试,从 gemm 和 conv2d 等密集并行内核,到 JSON 解析、霍夫曼编码、kd 树和递归斐波那契数列等不规则分支程序。所有架构优化、指令集架构设计、RTL 和验证工作均基于一组搜索工作负载,芯片在 10 个搜索工作负载和保留的 15 个工作负载(包括后来添加的 5 个实际工作负载)上均进行了评估(图 3)。
为了公平比较,我们首先选择测量“单核”性能,将一个 Frostbite 四核处理器与 TCPU 进行基准测试,因为它们的面积相近。在所有工作负载中,Frostbite 的平均单位面积性能是 TCPU 的 8.77 倍;在所有 25 个工作负载(包括搜索集和未优化工作负载)中,Frostbite 的每瓦性能几何平均值是 TCPU 的 4.59 倍:在 10 个搜索集工作负载中为 6.02 倍,在 15 个未优化工作负载中为 3.83 倍。正如预期,该架构在高度并行化的任务上表现最为出色,但在分支动态代码方面也优于 TCPU。


能耗分解图显示了节能的来源。撇开时钟分配(占 TCPU 能耗的 49%,Frostbite 四核处理器的 41%),TCPU 的能耗中有 57% 用于内存,27% 用于指令的获取、解码和发出。Frostbite 将内存消耗降低到 38%,并将指令获取、解码和发出的能耗降低到仅 6%。作为交换,它将 26% 的能耗用于片上网络和调度器,用于在各个单元之间共享工作和传输消息。然而,更令人兴奋的是,当我们将芯片扩展到 4x4 阵列(四个四核处理器)时,功耗分布基本保持不变。在通用多核 CPU 架构中,增加核心数量需要添加复杂的缓存一致性机制和大型缓存,而运行交互网络时,相同的数据局部性规则始终适用,更多核心并不会增加系统复杂性。如下图所示。在接下来的几个月里,我们将使用更大的行业基准测试(例如 SPEC 和 PARSEC)对 Frostbite 网状配置与具有大缓存和更大、更宽、乱序 CPU 的多核“TCPU”配置进行基准测试。

接下来会发生什么?
尽管交互网络已经存在超过 35 年,但其生产价值始终未完全明朗。历史上,探索分布式架构始终存在风险,因为需要投入大量时间、资金和人力才能最终确定其可行性。我们相信人工智能从根本上改变了这种经济格局。为了追求更高的性能和更低的功耗,工作负载、指令集架构 (ISA) 和硬件的深度协同设计将持续受到重视。借助大规模智能体集群、复杂的搜索空间技术、精确的防护措施、形式化验证和更快的 EDA 工具,人工智能系统将能够以超越人类认知的精度发现并构建新型加速器。虽然还有很多工作要做,但我们认为现在是时候与世界分享自主芯片设计的未来图景了。我们计划继续扩展基于 Frostbite 的开发,包括但不限于:
提供一个软件试验场,让任何人都能在 FPGA 上运行基于 Frostbite 内核的程序。
构建一个能够管理硬件资源、多个程序、虚拟化等功能的初步操作系统。
扩大集群规模,使 Frostbite 达到更高的每瓦性能,并在更大的工作负载集上针对更广泛的 CPU 集进行基准测试。
发布适用于Frostbite 引擎的RTL和ISA。
Architect Labs
试图用AI重构芯片设计流程
根据报道,Architect Labs由Ebrahim Hussain和Aaditya Subedi于2025年7月创立。Hussain曾在苹果和特斯拉担任芯片设计相关工作,参与架构团队,此后于2025年以访问研究员身份加入斯坦福大学。联合创始人Subedi当时只有19岁。
作为一家成立仅一年多的初创公司,他们宣称能够在两周内将芯片设计构想推进到FPGA原型。他们也希望通过AI改变传统芯片设计的工作方式,让更多企业能够开发自己的定制芯片。
目前,Architect Labs团队约有25人,涵盖机器学习、硬件和软件工程等领域,其中也包括拥有20至30年行业经验的芯片设计人员。
Hussain在接受采访时表示,他在苹果和特斯拉工作期间,切身感受到传统芯片设计周期有多漫长。他认为,AI有机会对芯片设计周期产生重大影响,但当时行业中不少将AI引入芯片设计的方式,还不足以真正改变整个流程。
Architect Labs想做的,正是从设计流程本身入手。
两周完成FPGA原型,Redwood是首次验证
Redwood是Architect Labs用来证明其技术路线的首个项目。
据Hussain介绍,公司通过这套技术,将Redwood从设计构想到FPGA概念验证(Proof of Concept)的时间压缩至两周。他认为,这已经是非常快的设计周期。
更值得关注的是,Architect Labs还通过台积电的晶圆共享服务完成了首批A0测试芯片。该服务允许多个芯片设计共享同一套光罩和生产批次。
Hussain指出,当前复杂芯片想要在第一次流片时就获得成功并不容易。Architect Labs希望不仅帮助芯片公司缩短开发时间,也提高开发质量,最终让合作伙伴的A0芯片能够直接进入量产。
当然,两周指的是从设计构想到FPGA原型的过程,并不意味着整个流片周期只有两周。
AI不仅参与设计,还要接管验证
Architect Labs的核心产品,是一套能够让用户向AI系统提供设计需求,并由AI承担芯片设计和验证工作的技术平台。
按照Hussain的介绍,这套系统不仅能够参与硬件设计,还可以测试固件栈,以及软件与芯片之间的交互关系。
这与传统验证流程有所不同。公司认为,Redwood项目已经初步证明,其验证技术能够扩展到复杂芯片设计。
另一个值得注意的细节是,Architect Labs正在积累自己的硬件IP和内部设计模块,并将这些内容作为训练数据,持续改进自身模型。公司在模型开发过程中,曾将Anthropic的Claude Opus 4.6作为主要前沿模型基准,并表示未来将公布其模型超越前沿模型表现的相关进展。
从这个角度看,Architect Labs并不只是调用现成的大模型来辅助写代码,而是希望通过芯片设计领域的数据和经验,逐步形成自己的专业模型能力。
绕开90%的商业仿真器,是它与传统EDA最
大的不同
Architect Labs最值得关注的技术路线,是尝试减少对传统商业EDA工具的依赖。
Hussain认为,传统EDA流程存在一个现实问题:当一颗芯片被拆分成大量模块,由多个AI Agent分别承担不同设计任务时,如何为这些Agent提供足够的商业EDA软件授权,会成为一个成本和资源瓶颈。
例如,如果有100个Agent同时负责芯片不同部分的设计,就需要考虑如何获得足够数量的商业EDA授权。
为此,Architect Labs采用混合模式。公司称,大约90%的验证工作不使用商业仿真器,而是通过自研模拟器、内部技术和其他验证方法完成。到了最终签核阶段,再使用传统EDA工具,确保设计能够通过回归测试。
这意味着,Architect Labs并不是完全放弃传统EDA,而是试图把商业EDA工具从大量日常设计和验证环节中部分抽离出来,将其更多用于最终签核。
目标客户不只是AI芯片公司
在商业化方面,Architect Labs已经开始与合作伙伴开展项目,但Hussain没有透露具体客户名称。
他表示,公司正在参与一些复杂ASIC项目,包括全光罩尺寸的网络交换芯片以及大型Chiplet设计。这些先进设计节点上的复杂项目,是公司当前重点关注的方向。
未来,公司还计划拓展到更多不同用途的复杂ASIC,而不只是边缘推理芯片。
其潜在客户包括初创企业、财富500强公司以及大型芯片厂商。Hussain特别提到了AI模型公司,认为这类企业既有资金,也有开发定制芯片的需求。
随着AI从数据中心走向物理世界,可穿戴设备、机器人、人形机器人和自动驾驶汽车等应用,也可能产生更多定制芯片需求。
对于那些已经非常了解自身工作负载、目前仍在采购外部芯片的企业而言,建立自己的硅片产品路线图,可能成为新的选择。
Architect Labs投资人、Kindred Ventures创始人Steve Jang将其定位类比为软件领域的Claude Code:通过AI大幅压缩开发时间,让更多人能够参与复杂产品的创造。
他认为,过去一个项目可能需要一到三年才能完成的部分开发和验证工作,未来有机会在几周内推进到具备一定生产化基础的阶段。企业可以先通过FPGA测试,再决定是否继续投入流片所需的资金、时间和资源。
芯片设计工程师不会消失,但工作方式
可能改变
Architect Labs并不认为AI会让芯片设计工程师失去工作。
Hussain的判断是,目前芯片工程师本身就是行业中的稀缺资源。AI技术的引入,将让更少的工程师能够负责更多、更复杂的设计模块。与此同时,芯片项目数量可能增加,企业的硅片产品路线图也会变得更加激进。
当然,Architect Labs并不是这一赛道唯一的参与者。
报道提到了ChipAgents和Ricursive两家竞争公司。ChipAgents此前宣布,帮助RISC-V处理器IP供应商Andes Technology将一项处理器定制任务的周期从8.5周缩短至6周。Ricursive的创始人Anna Goldie和Azalia Mirhoseini则曾在Google Brain参与AlphaChip项目,后者能够在数小时内生成芯片布局。
传统EDA厂商也在推进类似方向。Synopsys此前已经表示,正在利用AI Agent应对芯片设计的复杂性。
从Architect Labs的思路来看,AI进入芯片设计的下一步,可能不再局限于辅助工程师完成某项任务,而是让AI承担更多端到端的设计与验证工作。传统EDA工具仍然重要,但其在整个流程中的位置和使用方式,可能因此发生变化。
格隆汇声明:文中观点均来自原作者,不代表格隆汇观点及立场。特别提醒,投资决策需建立在独立思考之上,本文内容仅供参考,不作为实际操作建议,交易风险自担。


