AI从零设计FrostbiteCPU架构,每瓦性能达常规核4.59倍,采用无共享内存网格瓦片结构

美国创业公司Architect Labs宣布其AI系统从零设计出名为Frostbite的通用CPU架构,无需传统大核设计,而是由小计算瓦片构成网格,依赖交互网实现任务动态分配与休眠节能。仿真结果显示,...

人工智能 阅读量: 8386

美国AI创业公司Architect Labs近日公布一项突破性成果:其自主开发的AI系统在无任何人类先验知识的前提下,从零设计出一款完整的通用CPU架构——Frostbite。该架构覆盖指令集定义、微架构设计、寄存器传输级(RTL)代码生成、形式化验证及最终物理版图全流程,目前仍处于流片前仿真阶段,尚未进入实际制造环节。

Frostbite最显著的创新在于彻底摒弃了主流CPU依赖“单一大核+多小核”的异构设计路径,转而采用一种由小型计算瓦片(compute tile)组成的二维网格结构。每个瓦片独立执行任务,空闲时主动向邻近瓦片请求工作负载;若无任务可处理,则自动进入低功耗休眠状态。整个系统不设中央调度器,任务分发通过底层基于1990年提出的“交互网”(interaction nets)机制实现。

这一设计直接消除了传统多核架构中复杂的缓存层级与缓存一致性协议。Frostbite采用所有权唯一模型(each value has exactly one owner),即数据在生命周期内仅归属一个计算单元,无需共享可变内存。这种范式大幅简化了硬件复杂度,也降低了功耗开销。

为适配该架构,Architect Labs同步开发了自研编程语言Vine,语法风格接近Rust,编译后生成中间表示Ivy。设计过程中,AI系统共经历四轮搜索迭代与一轮最终测试,提出58个候选方案,经由可机器校验的形式化规格约束与多智能体集群协同筛选,最终保留37个有效设计。

性能方面,团队在25个标准负载上进行几何平均评估,结果显示:Frostbite在7nm工艺下综合频率为800MHz,物理版图实测频率500MHz;单个Quad模块(2×2计算瓦片+4个L3节点)面积为0.792平方毫米,略小于同工艺下常规CPU核的0.895平方毫米。关键指标上,其每瓦性能达到常规CPU核的4.59倍,单位面积性能为8.77倍。

值得注意的是,性能增益存在负载依赖性:在设计阶段即纳入优化的10个负载中,Frostbite相对优势达6.02倍;而在后期测试才启用的15个负载中,优势收窄至3.83倍。这表明AI在早期设计中对部分工作负载的建模更为精准。

Frostbite架构与传统TCPU对比示意图

从技术路线看,Frostbite并非单纯优化现有架构,而是另辟蹊径重构计算范式。其核心思想源于函数式编程与数据流模型,强调无副作用计算与静态数据所有权。这种设计天然契合现代AI推理中大量存在的并行、低通信需求场景,也为未来异构计算系统提供新思路。

目前,Architect Labs计划分阶段推进后续工作:首先公开RTL代码与指令集架构(ISA)规范;其次搭建基于FPGA的软件试验场,支持快速迭代验证;第三步开发轻量级操作系统原型;最终将使用SPECint、PARSEC等基准套件与主流多核CPU展开横向对比。公司暂未披露具体流片时间表或商业化路径,但明确表示将保持开源导向。

行业观察指出,Frostbite的出现标志着AI辅助芯片设计正从“辅助优化”迈向“从零创造”。此前,AMD、英伟达等已将AI用于布局布线、功耗预测等环节,缩短设计周期;而Architect Labs此次实现的是端到端架构生成,属于更高阶的自主设计能力。

尽管尚处仿真阶段,Frostbite的指标已引发广泛关注。其每瓦性能4.59倍的提升,若能在流片后基本复现,将对边缘计算、物联网终端及能效敏感型服务器市场产生潜在影响。尤其在当前全球算力需求持续攀升、能效比成为关键瓶颈的背景下,此类非传统架构的价值愈发凸显。

文章配图

与此同时,另一则近期技术实践也印证了“旧硬件新用途”的可行性:开发者Devon Bray利用三张九年前的NVIDIA Tesla V100显卡(每张16GB显存),搭配Xeon E5处理器与定制散热方案,构建本地AI推理主机。在运行Qwen 3.6 35B MoE模型时,该平台在128K长上下文下达到72.7 tokens/s,反超售价5399美元的M5 Max Mac Studio(61.3 tokens/s),成本仅约1070美元。

该案例虽属系统级优化而非芯片设计,却与Frostbite共享同一逻辑前提:跳出既有技术路径依赖,通过重新组织计算资源分配方式,释放被忽视的性能潜力。V100组合的成功依赖于MoE模型的稀疏激活特性与llama.cpp的高效调度;Frostbite则通过瓦片网格与交互网实现动态负载均衡——二者殊途同归,均指向“软硬协同重构”的技术趋势。

需指出的是,Frostbite当前所有数据均来自仿真环境,未经过硅验证。物理实现中可能面临时序收敛、信号完整性、制造良率等现实挑战。此外,其专用编程模型Vine尚未形成生态,开发者迁移成本较高。这些因素将决定其能否走出实验室,走向实际应用。

从更宏观视角看,AI驱动的芯片设计正在形成两条并行演进路径:一条是大型厂商如AMD、台积电推动的“AI for EDA”,聚焦加速传统流程;另一条是以Architect Labs为代表的“AI as Designer”,尝试生成全新架构范式。前者已进入工程落地阶段,后者尚处探索期,但后者一旦突破,或将重塑芯片产业的技术演进节奏。

Frostbite的发布并未伴随商业产品预告,但它清晰传递了一个信号:当AI不仅能理解硬件,还能自主创造硬件时,计算体系的底层逻辑或将迎来新一轮重构。接下来的关键节点,将是其RTL开源后的社区反馈,以及首个FPGA原型的实际运行表现。