AI 智能体一起改编译器和硬件,把 Frostbite 做到版图

字号
iHOLYSHITVISUAL / TECHAI 研究突破iHOLYSHIT / ILLUSTRATION
iHolyShit 主题示意图

Architect Labs 披露了 Frostbite 的开发过程:AI 智能体一起迭代编译器、指令集和硬件逻辑,推进到制造前的版图。软件和硬件的改动能否一起检查,才是这次实验要回答的问题。

11月18日,Architect Labs 公开 Frostbite 的设计过程。团队从交互网这种计算模型出发,让多组 AI 智能体一起探索处理器如何工作,并把编译器、指令集、硬件逻辑与验证一起迭代,直到得到最终版图。版图描述的是电路在芯片上怎样摆放和连接;公司此次展示的是制造前的设计成果。

交互网不是这批模型发明的

交互网不是这批模型发明的。法国研究者伊夫·拉丰在一九九〇年的编程语言原理会议上介绍了这种图改写模型:计算可以看成对一张图做一连串局部修改,互不冲突的局部修改可以并行。另一方面,AI 参与芯片设计也早有先例。Google DeepMind 在二〇二四年介绍了已用于多代 TPU 的 AlphaChip,它重点解决的是把电路模块放到哪里。与其相比,Frostbite 这次试图让模型同时参与决定硬件要提供哪些指令,以及软件该如何使用它们。两者关注的设计环节不同。

为什么要连着改?指令集像硬件和软件之间的约定。编译器如果发出一条新指令,硬件得接得住,验证也要知道怎样才算实现正确。Architect Labs 的做法是让各组围绕一份机器可查的规格工作,而不是只凭文字说明交接。公司称,软件模型曾与更细的电路估算出现偏差,团队重新校准后才继续筛方案。可以把这看作两种检查:先问一项改动还能不能正确执行程序,再问保留下来的设计是否值得付出更多电路和耗电。前一个问题答对了,并不意味着后一个问题也答对了。这一步很关键:模拟里看着划算的改动,不一定值得留在最后的电路里。

过去分工时,做编译器的人发现瓶颈,往往得先判断是翻译策略的问题,还是硬件本来就缺少相应能力

过去分工时,做编译器的人发现瓶颈,往往得先判断是翻译策略的问题,还是硬件本来就缺少相应能力。新做法值得看的地方,是这些修改能否同时提出、一起验收,而不是把难题挪给下一组。同样,机器能检查某条约定是否被遵守,却不能替设计者决定约定本身是否写对、测试是否代表使用场景。公司只公布了制造前的比较,且没有披露对照处理器型号;这些数字不能回答实际芯片的能效,也不能证明这套协作比传统团队更省人力。

我X科技观点 未来六到十二个月,我会看团队能否兑现开放硬件逻辑与指令集的计划,并让外部研究者拿到足够材料,独立核对一次跨软件和硬件的改动是怎样被提出、接受或否决的。如果随后还能公开验证覆盖了哪些约定、哪些错误最终靠人识别,这个案例才更容易和其他设计项目比较,而不是只留下一张版图。

分享这篇文章

你觉得这篇文章怎么样?

匿名评价,无需登录,每篇最多 5 次。

读者评价

无需登录也可评价;登录后显示会员昵称。

请围绕科技与文章讨论。禁止仇恨歧视、政治战争话题、威胁辱骂、人身指控、色情、广告、链接及个人信息。

0/500

还没有评价,来说第一句吧。

来源