精华速览
美国加州帕洛阿尔托初创公司Architect Labs于11月22日公布,其AI系统自主发现、设计并验证了一款名为Frostbite的通用CPU。该处理器采用全新指令集,基于“免费多线程”理念,由多个同构计算单元(Tile)通过片上网络连接。在25项工作负载测试中,4个Tile组成的集群每瓦性能达到一款尺寸相近、已完成硅验证的双发射顺序执行CPU核心的4.59倍,单位面积性能为8.77倍。但所有数据均来自7纳米工艺的模拟设计,Frostbite尚未流片,尚无实际芯片验证。AI设计过程采用“零架构先验”起点,使用自研硬件描述语言ASL和形式化验证,并意外涌现出“工作窃取”行为。
要点透视
- Architect Labs位于美国加州帕洛阿尔托,11月22日通过研究博客公布Frostbite,称其由AI系统自主发现、设计并验证,采用全新指令集。
- 在25项工作负载测试中,4个Tile组成的Frostbite集群每瓦性能为对照双发射顺序执行CPU核心的4.59倍,单位面积性能为8.77倍;对照核心已硅验证,但型号因法律原因未公开。
- 性能提升随测试集变化明显:用于设计调优的10项测试能效提升6.02倍,最终评估才引入的15项测试提升3.83倍;conv2d表现最好达23.12倍,递归斐波那契最差仅1.15倍。
- Frostbite完整设计包含16个Tile,测试集群由4个Tile和4个L3节点组成;设计频率从早期综合阶段的800MHz降至最终布局的500MHz。
- AI设计起点为“零架构先验”,最初生成141页设计文档,但第一版RTL生成后文档被删除;随后AI改用自研ASL语言编写规格,可转换为Lean证明系统形式化表达并接受机器验证。
- AI智能体共尝试58项优化方案,保留37项;其开发的Arcmodel软件模型运行速度约为RTL仿真的200倍,功耗估算偏差从最大近250%缩小至5%以内。
- 能耗构成上,Frostbite指令获取、解码和发射环节占总能耗比例从传统CPU的27%降至6%,但片上网络和调度器新增26%能耗;内存占比从57%降至38%。
- 系统意外涌现“工作窃取”行为:空闲Tile可从相邻Tile获取未完成工作,无任务时进入空闲状态省电;该行为人类设计者未明确指定。
文章拆解
Frostbite的核心逻辑在于绕开传统CPU的两大负担:运行时硬件指令依赖判断和多核缓存一致性协议。Architect Labs提出的“免费多线程”让程序直接暴露可并行工作,由多个同构Tile通过片上网络协作,每个Tile拥有独立小容量本地内存。这从架构层面减少了指令获取、解码和发射的能耗占比,但代价是片上网络和调度器成为新的能耗大户,占比达26%。这种取舍是否在更大规模下依然成立,是后续观察重点。
AI参与设计的方式值得注意。团队没有让AI从既有架构理念出发,而是以“零架构先验”起步,先确定优化工作负载,再由多个智能体阅读论文、建立Python模型并选定方向。更关键的是,AI放弃用自然语言描述硬件规格,转而使用可形式化验证的ASL语言,这有助于减少错误和智能体“钻规则空子”的风险。Arcmodel快速模型将功耗估算偏差从近250%压缩到5%以内,说明AI迭代闭环在模拟阶段已具备一定工程可信度。
对行业和用户而言,Frostbite目前仍属早期研究信号,而非可采购产品。其公布的能效优势全部来自7纳米模拟设计,尚未流片,实际芯片能否保持4.59倍能效尚待确认。测试对照仅为一款双发射顺序执行核心,公司计划未来几个月引入SPEC、PARSEC等基准,并与更大规模网格架构、大缓存多核及更宽乱序执行CPU比较,届时数据才更具参考价值。
值得关注的变量包括:流片时间表与代工合作进展(公司称正推进与台积电合作,但Frostbite流片安排尚待确认);16 Tile完整设计与4 Tile测试集群的性能缩放关系;工作窃取等涌现行为在真实负载下的稳定性;以及公司计划公开RTL和指令集后,外部能否复现其结果。潜在风险在于,模拟阶段对功耗和面积的乐观估计可能在物理实现中打折,且新指令集和编程语言Vine的生态建设难度不小。同类方向上,英国Tendrils Compute也在研发数千核心并行处理器和Vine语言,竞争正在形成。

暂无评论。