
今日,我们正式推出 Frostbite,一款从零构建指令集的通用 CPU。该芯片利用交互网(interaction nets)特性,实现了 CPU 性能的阶梯式飞跃。在包含 15 个保留评估项在内的 25 个工作负载测试中,与现代硅片验证的超标量 CPU 核心相比,Frostbite 的能效比提升了 4.59 倍。
我们的 AI 系统自主完成了编译器、指令集架构(ISA)、微架构、寄存器传输级(RTL)代码、验证及最终 GDSII 版图的迭代。这一成果证明,AI 能够引导出超越人类设计的全新硬件架构,其能效比和面积效率均实现显著增长。
交互网:打破传统依赖瓶颈
主流编程语言编译时隐藏了数据依赖,迫使现代 CPU 通过复杂的缓存一致性协议来维护共享内存假象,导致功耗和面积开销巨大且扩展性受限。自 2000 年代初以来,单核性能停滞正是源于此。
Frostbite 采用的交互网模型则截然不同。程序被表示为节点图,计算通过重写连接节点对完成。由于每个值仅有一个所有者且操作具有局部性,硬件无需保护共享可变状态,也消除了对大型缓存子系统的依赖。这种线性特性使得并行性直接源自程序结构,无需线程锁或乱序执行机制,数据可驻留在靠近使用位置的小型本地存储器中。
AI 驱动的全栈自主设计流程
Frostbite 的设计未预设任何架构先验知识,而是由 AI 智能体集群主导以下流程:
架构探索与形式化规范
AI 首先确立了涵盖并行、顺序链及递归等特征的工作负载集合,并综合研究论文构建 Python 模型,收敛出高层架构概念。随后,系统引入内部规范语言 ASL 编写“Arcmodel”系统模型。ASL 支持机器可检查的形式化转换,其功率和性能估计精度控制在 1-5% 以内,运行速度比 RTL 仿真快约 200 倍。这一单一事实来源有效防止了 AI 幻觉和设计偏差,最终转化为超过 80 万行的 Lean 代码。
RTL 对齐与联合迭代
为解决模型与物理实现的偏差,AI 自主执行了 RTL 校准流程,通过识别功率热点并调整预测函数,将 Arcmodel 与 RTL 的差异缩小至 5% 以内。在此基础上,智能体集群在契约、模型、RTL 和功率之间进行联合迭代,尝试了 58 个架构修订想法并保留了 37 个,包括细粒度时钟门控和共享扩展器等优化。
涌现特性:硬件级工作窃取
Frostbite 的 ISA 由 Vine 语言编译而来,其运行时表现出高度动态性。AI 设计出了一种去中心化的“工作窃取”机制:晶粒优先处理本地任务,若空闲则从邻居窃取工作,否则进入低功耗状态。编译器将代码分解为短节段,通过硬件队列管理任务分发,无需中央调度器即可实现高效的空间并行。这一复杂行为并非人类指定,而是 AI 为优化性能指标自主涌现的结果。
基准测试结果
Frostbite 基于 7 nm 工艺合成,时序达 800 MHz,最终 GDSII 频率为 500 MHz。一个四合一单元(Quad+L3)面积为 0.792 平方毫米,与对比用的传统 CPU(TCPU)单核面积(0.895 平方毫米)相当。
测试显示,Frostbite 在 25 个工作负载上的能效比几何平均值为 TCPU 的 4.59 倍。其中,在 10 个搜索集负载上提升 6.02 倍,在 15 个未见过的保留负载上提升 3.83 倍。能耗分解表明,Frostbite 将内存能耗占比从 TCPU 的 57% 降至 38%,取指解码能耗从 27% 降至 6%,代价是片上网络能耗占比升至 26%。随着核心数量增加,Frostbite 避免了传统多核 CPU 因一致性机制带来的复杂性激增,展现出优异的扩展潜力。