同一天,Architect Labs在官方博客发文称,Frostbite是首款由AI系统从理论出发、自主走完指令集(ISA)定义、微架构设计、RTL实现、形式验证直至GDS版图全流程的通用CPU。25项工作负载基准测试中,有15项在最终评估前对AI系统保密。对比对象是一款经硅验证的现代双发射顺序执行超标量CPU核心,Frostbite取得4.59倍几何均值功效比和8.77倍面积效率。
4.59倍是全部25项测试的几何均值。放到搜索集上,提升为6.02倍;到了held-out测试集,提升降到3.83倍。这一差距说明,AI的优化对可见基准存在一定拟合效应,但在陌生任务上仍保持了实质性优势。比较基线被描述为“经硅验证的现代双发射顺序执行超标量核心”,这类设计通常对应嵌入式或移动级处理器,而不是英特尔或AMD的高端乱序多发射产品。Architect Labs表示,后续计划扩展到SPEC/PARSEC等行业标准基准,并与更宽、更深的乱序处理器做横向比较。
交互网络:一个被主流架构师忽视了三十年的数学理论
Frostbite在结构上与现有CPU截然不同,原因要从它的理论基础说起。交互网络(interaction nets)是一种程序表示方法,起源于1990年代的计算理论研究。在这个模型里,程序不再是一串按顺序执行的指令流,而是一张节点图。计算靠局部重写推进:两个节点通过各自的主端口相连,就触发一次重写,生成新的节点图局部结构。
这一性质给硬件设计带来三个极为友好的特征。每次重写只涉及图的局部区域,彼此互不干扰;节点间的依赖关系完全显式编码在图结构中,运行时无需推断;每个值恰好有且仅有一个所有者,不存在共享可变状态。三条合在一起,意味着独立的节点对可以同时重写,锁、事务内存、一致性协议统统不需要。
现代主流CPU面临的困境正好相反。C/C++/Java等语言编译出的程序,天然隐藏了指令间的真实依赖关系,任何变量都可能在任何地方被读写。处理器只能在运行时动态重新发现哪些指令真正相互依赖,这正是乱序执行的本质;同时还要维护一套缓存一致性协议,让所有核心看到同一份内存状态。这套机制吃掉了传统CPU大量面积和功耗预算。传统超标量CPU的片上功耗分布约为:57%在存储访问,27%在取指/译码/调度,真正花在计算上的只有13%。Frostbite的分布则是:38%存储、6%取指/译码/调度、16%计算、26%片上网络与调度器。最后这项体现了交互网络模型本身的通信开销,但前端臃肿的部分被大幅压缩。
AI如何完成一整颗CPU的设计
Architect Labs的上一个项目“Redwood”已经证明,给定架构规范,AI系统可以自主完成一颗推理加速器的RTL实现与验证。Frostbite走得更远:AI系统的起点只有交互网络的数学理论,ISA设计、微架构决策和RTL实现都由AI自主探索。
设计流程共分四个搜索周期,AI系统探索了58个架构候选方案,最终保留37个。为了让这种大规模迭代成为可能,团队构建了两个关键工具。一个是名为ASL的形式化语言,用于机器可检验的架构规范描述,该项目累计产生超过80万行Lean定理证明;另一个是名为Arcmodel的架构级模拟器,比传统RTL仿真快660倍,功耗预测精度在1-5%以内。
最终落地的物理形态,是一个4×4共16个计算瓦片(tile)的网格结构。单个quad加L3缓存集群的面积为0.792平方毫米,采用7nm工艺节点,综合阶段时钟频率为800 MHz,最终GDS版图降至500 MHz。Frostbite把传统意义上的缓存层级、访存队列和缓存一致性协议全部取消,转而依赖交互网络模型本身的无共享状态特性。
事后检视AI发现的架构原语时,Architect Labs团队“感到意外”——其中一些硬件实现方式和运行时特性,人类架构师很难主动想到。这暗示AI的设计空间探索并不是简单复现已有方案,而是在一个对人类而言过于庞大的设计空间里找到了新路径。
谁受影响,影响有多深
对芯片EDA工具商来说,Frostbite展示的设计流程直接挑战了传统EDA软件的定位。Arcmodel这类工具把架构评估提速660倍,意味着过去需要数月的设计迭代周期可以压缩到数天。Synopsys、Cadence等公司的核心护城河——高精度仿真和综合工具——在AI驱动的快速迭代面前,商业模式需要重新审视。
短期看,芯片厂商受到的直接冲击不大,可长期释放的信号已经明确。Architect Labs 当前的对比基准是双发射顺序超标量核心,跟英特尔 Core Ultra、AMD Zen 系列的性能区间相比,差距仍然不小。更关键的一点在于:一旦允许 AI 系统去对抗乱序超标量设计,或者让它投入数据中心 RISC-V 场景,这套方法还能不能复现?Architect Labs 的说法是,流程有望推广到数据中心 CPU、AI 加速器、网络交换芯片、NIC 等各类芯片。这属于战略层面的表态,还没经过验证。
对编程语言和软件工具链来说,影响路径最长,也最不确定。Frostbite使用名为Vine的编程语言来编译交互网络程序,现有的C/C++/Rust等软件生态无法直接在其上运行。这道兼容性壁垒在通用计算场景下是实质性的障碍,而在AI推理、科学计算等特定垂直场景中,可能更容易绕过。
在Architect Labs之外,开发者和研究者能从Frostbite身上拿到一条有用的实验结论:交互网络这个模型在理论计算机科学界已经存在三十多年,硬件界却长期没怎么搭理它;如今在AI辅助的全栈协同优化下,它真能变成可以量化的硬件收益。单是这一点,就够让学术界重新盯上交互网络方向的编译、运行时系统和内存模型了。
现状边界与待验证问题
不过边界也很清楚。Frostbite眼下只做到GDS版图,流片制造还没开始,所有性能数据都出自仿真,不是实测芯片跑出来的。从GDS到流片再到量产,中间压着一堆工程和经济上的变数。基线的挑法同样左右着数字怎么读——4.59倍是对着“双发射顺序执行”核心算的,而主流数据中心CPU早就是深度乱序、宽发射的设计了。工作负载的覆盖面也有限,Architect Labs自己就承认,还得在SPEC/PARSEC这类更完整的标准测试集上再过一遍。
战略前瞻(以下为分析性判断,非已验证事实)
Frostbite最要紧的意义,兴许不在这一颗CPU本身,而在于它把一套方法论跑通了:给一个数学模型、配一套快速评估工具,AI就能在人类难以穷举的设计空间里翻出反直觉的解。这套路子要是能复现,芯片设计的竞争壁垒就会部分从“有没有顶尖架构师”挪到“有没有足够快的AI探索基础设施”上。
近期有两个信号可以盯着。一个是Architect Labs会不会公开把Frostbite送去流片,流片结果和仿真又对得上多少;另一个是他们会不会把这套流程搬到更有实际部署价值的场景,比如AI推理加速器的ISA层优化——这类任务的软件生态门槛比通用CPU低得多,性能收益的商业路径也更清楚。这两点要是在未来一两年内都拿到正面验证,眼下这个“设计仿真”的里程碑,就会升格成真正意义上的产业范式转移。