Процессоры для обработки информации разрабатываются за годы до того, как будут созданы модели, которые они будут запускать. Компания Architect Labs утверждает, что ИИ может разработать их за несколько недель.

Тарин Пламб

Модели ИИ меняются за месяцы, но чипы, на которых они работают, фиксируются за годы до этого. Исследователи из одного стартапа утверждают, что сам ИИ может сократить этот цикл до нескольких недель, запустив весь процесс проектирования, от написанной спецификации до работающей реализации на FPGA.

В статье, опубликованной в августе, стартап Architect Labs описывает, как его система искусственного интеллекта, платформа Architect Labs, разработала небольшой маломощный чип для обработки данных, получивший название Redwood, на основе письменной спецификации без какого-либо вмешательства человека, описанного ниже. В своих экспериментах два архитектора-человека написали высокоуровневую спецификацию чипа; затем система занималась моделированием производительности, генерировала описания цифрового оборудования, тестировала и проверяла проект, а также создавала прошивку и ядра. Redwood пока работает только на FPGA; он еще не изготовлен на кремниевой подложке.

По словам исследователей, весь процесс проектирования занял менее двух недель. После проверки изменений в спецификации модифицированный проект был возвращен на ПЛИС менее чем за 48 часов. В традиционном процессе, отмечают исследователи, этапы проектирования замораживаются по мере их выполнения, а изменения вносятся либо спонтанно, либо откладываются до следующего поколения.

Однако ключевой вопрос на будущее заключается в том, можно ли воплотить эту демонстрацию в серийное производство кремниевых микросхем: преимущество в производительности по сравнению с Nvidia основано на прогнозах, откалиброванных по результатам FPGA, для еще не созданной реализации класса 8 нм от Samsung. Далее исследователи планируют масштабировать Redwood до более крупных моделей и матриц и перейти к физическому проектированию, изготовлению микросхем и посткремниевой проверке.

Если конструкция окажется надежной в изготовленных кремниевых микросхемах, то более серьезные последствия могут касаться не столько самой компании Redwood, сколько цикла проектирования: команды разработчиков аппаратного обеспечения смогут адаптироваться к быстро меняющимся задачам искусственного интеллекта, вместо того чтобы за несколько лет вперед делать выводы о том, что потребуется будущим моделям.

«Мы утверждаем, что возможности применения ИИ в проектировании аппаратного обеспечения заключаются не в ускорении задач в рамках существующих процессов, а в переосмыслении всего процесса в целом», — пишут исследователи из Architect Labs.

Как ИИ управляет всем процессом проектирования микросхем

Согласно исследованию функциональной верификации, проведенному Siemens EDA по заказу Wilson Research Group, в 2024 году лишь 14% проектов по разработке интегральных схем (ИС) и специализированных интегральных схем (ASIC) достигли стадии создания первого кремниевого образца, что является самым низким показателем за два десятилетия. Кроме того, 75% проектов отставали от графика, что подтверждается исследованием функциональной верификации, проведенным Siemens EDA по заказу Wilson Research Group.

В результате, решения по проектированию микросхем принимаются «в условиях глубокой неопределенности и оплачиваются дважды», — пишут исследователи Architect Labs, — «один раз в качестве общей меры предосторожности, а затем еще раз, когда новые рабочие нагрузки плохо соответствуют замороженному кремнию».

Как отмечают исследователи, до настоящего времени проекты по созданию аппаратного обеспечения с помощью ИИ ограничивались простыми или малогабаритными компонентами.

Компания Architect Labs заявляет, что ее акселератор Redwood AI был разработан, проверен, запрограммирован и развернут с нуля с помощью системы искусственного интеллекта. По словам исследователей, каждый блок достиг 95% покрытия кода и функциональности без участия инженеров-верификаторов. Исследователи сообщают, что в первом RTL-проекте, отправленном из симуляции на программируемую пользователем вентильную матрицу (FPGA), не было обнаружено ошибок, а перенос оптимизационных запусков на FPGA сократил их время с 15 часов до 15-30 минут.

По словам исследователей, система способна исследовать микроархитектурное пространство поиска, на порядок большее, чем то, которое может охватить команда людей за то же время. Для одного из векторных движков она сгенерировала и проверила несколько вариантов конструкции с различной логикой управления и путями передачи данных, работая в течение нескольких дней для оптимизации с учетом ограничений по площади и времени.

Как объясняют исследователи, эксперты корректируют технические характеристики, используя обратную связь по функциональным параметрам, площади, производительности, временным характеристикам и энергопотреблению, а система затем восстанавливает и повторно проверяет проект. Процесс от программного обеспечения до кремния сводится к «единому циклу оптимизации, где аппаратное и программное обеспечение совместно проектируются и проверяются в рамках одной цели».

Как строится Редвуд

Система Redwood разработана для решения трех практических проблем: задержки, энергопотребления и предсказуемости.

Данные хранятся как можно ближе к вычислительным блокам, чтобы уменьшить необходимость их передачи туда и обратно. Чип имеет сетку из идентичных строительных блоков («плиток»). Каждый из них выполняет определенный фрагмент работы и передает его соседним плиткам. Данные передаются по запланированному шаблону, а не многократно (и без необходимости) извлекаются из общей памяти.

Redwood экономит энергию за счет разделения управления и вычислений; логика может замедляться или отключаться. Вычисления вблизи памяти и управление потоком данных в сети на кристалле сокращают потери энергии на передачу данных. А глобальный таймер, планирующий выполнение каждого ядра, делает процесс более предсказуемым.

Измерения проводились на ПЛИС, результаты проецировались на кремниевую подложку.

В ходе анализа производительности исследователи оценили конкретную конфигурацию, которую они назвали Redwood Nano, — вариант конструкции на базе FPGA, — сравнив её с Nvidia Jetson Orin Nano, которую исследователи используют в качестве коммерческой базовой модели для периферийного ИИ.

По результатам измерений, Redwood Nano, работающий на FPGA, достиг средней пропускной способности 12,1 токенов в секунду при частоте 250 мегагерц на большой языковой модели (LLM) Qwen3 0.6B. В отличие от него, Jetson Orin Nano, работающий на тактовой частоте 1020 мегагерц, достиг средней пропускной способности 28 токенов в секунду.

Преимущество перед Nvidia проявляется только в оценках исследователей относительно изготовленного кремния. Используя 8-нм техпроцесс Samsung, сопоставимый с тем, который используется в Nvidia Jetson Orin Nano, они прогнозируют, что Redwood Nano достигнет производительности в 49 токенов в секунду — в 1,75 раза выше измеренной пропускной способности Jetson — при этом потребляя примерно вдвое меньше энергии (1,335 Вт против 2,59 Вт), что обеспечит 3,4-кратное повышение производительности на ватт. По их оценкам, блок NPU займет всего 2,88 квадратных миллиметра.

Исследователи характеризуют еще один эксперимент как раннюю форму рекурсивного самосовершенствования, хотя он гораздо уже, чем автономные, самосовершенствующиеся модели, которые обычно обозначаются этим термином. Они развернули Qwen3 на Redwood, предоставили к нему доступ в качестве конечной точки вывода в своей системе ИИ и многократно проводили выборку данных. Модель обнаружила множество улучшений по времени выполнения и оптимизаций ядра для нескольких своих операций.

«Мы считаем, что это одна из первых демонстраций рекурсивного самосовершенствования: система искусственного интеллекта разработала акселератор ИИ, развернула на нем модель ИИ и использовала эту модель для улучшения будущего поколения ускорителя», — пишут исследователи. В своем блоге Architect Labs сообщает, что работает над завершением разработки Redwood в TSMC.

Источник: venturebeat.com