Frostbite:一种由 AI 发现、设计并验证的新 CPU 架构

一家初创公司声称使用 AI 代理“发现”并形式化验证了一种新的 CPU 架构 Frostbite;它基于 interaction nets,目标是在选定基准上实现远高于顺序 RISC 基线核心的性能/功耗。评论者对这种数据流风格、强并行架构以及 AI 大幅压缩芯片设计周期的前景感到好奇,但也质疑样本规模很小且经过挑选的工作负载、缺乏流片或绝对性能数据,以及与未具名参考 CPU 的含糊比较。讨论进一步延伸到:AI 驱动的硬件协同设计究竟会否真正冲击 x86/ARM 和台积电这样的既有格局,还是只会再添一个雄心勃勃但商业上未成功的“后冯·诺依曼”设计案例。

对 Frostbite 及其主张的总体反应

  • 许多人觉得 AI 辅助 CPU 架构的想法“很酷”或可能具有历史意义,但也对炒作保持警惕。
  • 几位评论者注意到这些大胆的主张(4–9× 的性能/功耗或性能/面积)后,要求先看到独立、冷静的评审和真实硅片,再认真看待。
  • 有人将这篇博客解读为部分技术工作,部分是“acqui-hire”或投资者推介。

新颖性与此前架构的关系

  • 多位评论者指出,核心思想与更早的数据流架构、WaveScalar、TRIPS、CGRAs,以及 1990 年代的 interaction nets 研究相似。
  • 也有人认为这只是“Transputer 风格”或类似 VLIW/EPIC 设计的又一次迭代,结合了更细粒度的自动并行化和 work-stealing。
  • 关于 interaction nets 与一般数据流 / 图重写模型到底有多大差别,也存在争论。

基准测试、评估与缺失细节

  • 有人批评这些基准规模小、偏合成,并且挑选了有利于规则、可并行化工作负载的任务。
  • 担忧包括:
    • 基线是一个顺序执行、双发射核心,而不是现代乱序设计。
    • 主张集中在性能/功耗和性能/面积上,却没有绝对性能数据。
    • “出于法律原因我们不能披露确切 CPU”让人起疑。
  • 一些人指出文中提到形式化验证,但会追问究竟证明了哪些属性,以及这些证明与实现之间有多紧密的关联。

可编程性、工具链与采用问题

  • 对部分人来说,interaction nets / Vine 很有吸引力,但对普通程序员而言也很难直观推理。
  • 问题包括:
    • 没有 PC 或调用栈时,如何处理状态、副作用和调试?
    • 如何在 nets 中表达并推理延迟、同步,以及类似死锁的 bug?
  • 还有人认为,将代码移植到一种根本不同的 ISA/IR 的成本历史上一直扼杀了新型 CPU,不过也有人回应说,如今 LLM 让移植更便宜了。

AI 的角色与更广泛的影响

  • 有人把这看作 AI 进行大规模设计和验证工作的一个强有力例子,这类工作原本需要许多人完成,也可作为“AI 设计自己的技术栈”的模板。
  • 另一些人则抱怨,AI 的叙事压过了技术细节,并加剧了围绕“AI 突破”的低信噪比环境。

经济学与计算未来

  • 讨论延伸到:
    • AI 会让像台积电这样的晶圆厂更占主导,还是更不占主导;Rock 定律与 AI 驱动的成本下降之间的关系。
    • 模型是否会变成商品,而价值转移到材料、能源和制造环节。
    • 是否会出现更多专用加速器,还是会出现“可变形”的高可编程芯片。