Ein Silizium-Startup namens Architect Labs sagt, seine KI-Systeme hätten eine neue Allzweck-CPU durchgängig entdeckt, entworfen und verifiziert – vom Befehlssatz bis zum endgültigen Chip-Layout. Der Chip mit dem Namen Frostbite wurde in einem Blogbeitrag vom 18. November 2026 von Architect Labs, Teil von Architect Silicon Inc., vorgestellt. Nach Angaben des Unternehmens iterierten KI-Agenten autonom über den Compiler, ISA, Architektur, Mikroarchitektur, RTL, Verifizierung und endgültige GDS – die Layoutdateien, die für die Chipherstellung verwendet werden – ohne von Menschen bereitgestellte Architekturprioritäten.

Die Schlagzeile ist beeindruckend: Bei einer Reihe von 25 Workloads, darunter 15 bis zur endgültigen Bewertung, erreichte Frostbite ein 4,59-faches Leistungs-pro-Watt-Vielfaches im Vergleich zu einem modernen, siliziumerprobten superskalaren Dual-Issue-In-Order-CPU-Kern. Der Beitrag erregte sofort Aufmerksamkeit bei Hacker News, wo er innerhalb eines Tages mehr als 160 positive Stimmen erhielt. Sollten die Ergebnisse einer unabhängigen Prüfung standhalten, würde dies zu den folgenreichsten Teilen der KI-Hardware-Berichterstattung in diesem Jahr zählen – ein Beweis dafür, dass KI mehr tun kann, als Chip-Designer zu unterstützen, und stattdessen grundlegende Architekturen hervorbringen kann, die der Mensch nicht spezifiziert hat.

Warum herkömmliche CPUs die Leistung auf der Strecke lassen

Die Argumentation von Architect Labs beginnt mit einer bekannten Diagnose. Mainstream-Programmiersprachen, die für Allzweck-CPUs kompiliert wurden, verbergen Abhängigkeiten zwischen Teilen eines Programms, da jeder Codeabschnitt über einen gemeinsamen, veränderlichen Zustand jede Variable lesen oder schreiben kann. Die Hardware geht daher vom Worst Case aus und muss zur Laufzeit neu entdecken, welche Anweisungen tatsächlich voneinander abhängen.

Das Unternehmen stellt fest, dass die Single-Core-Leistung seit Anfang der 2000er Jahre weitgehend ins Stocken geraten ist, was die Branche zu großen Multicore-Designs nach dem Vorbild von Intel Xeon und AMD Zen drängt. Die Aufrechterhaltung der Illusion, dass jeder Kern den gleichen Speicher sieht – Cache-Hierarchien und Kohärenzprotokolle – kostet Platz und Strom und lässt sich schlecht skalieren.

Die Grundlage von Frostbite ist ein anderes Berechnungsmodell: Interaktionsnetze. Ein Programm ist ein Knotengraph, und die Berechnung erfolgt durch Umschreiben von Paaren verbundener Knoten. Jedes Umschreiben berührt nur einen kleinen lokalen Teil des Diagramms. Jeder Knoten verfügt über genau einen Hauptport, sodass sich nie zwei aktive Paare überlappen – sie können in beliebiger Reihenfolge oder alle auf einmal neu geschrieben werden, und das Ergebnis ist immer das gleiche. Interaktionsnetze sind außerdem linear: Jeder Wert wird genau einmal verwendet, sodass es keinen gemeinsamen veränderlichen Zustand gibt, den die Hardware schützen muss.

Dem Beitrag zufolge kann die Vine-Sprache normal aussehende Programme direkt in Interaktionsnetzen kompilieren, und das Unternehmen sagt, dass dieses Design zwei große Vorteile bietet: Parallelität, die direkt vom Programm und nicht von Threads und Sperren kommt, und Daten, die in kleinen lokalen Speichern neben dem Ort gespeichert werden, an dem sie verwendet werden – wodurch ein Großteil der Fläche und Energie entfällt, die herkömmliche Chips für große, kohärente Caches verbrauchen.

Der Blog veranschaulicht den Unterschied anhand eines Fünf-Königinnen-Suchproblems. Ein C++-Programm durchläuft den Suchbaum einen Kandidaten nach dem anderen. Das entsprechende Interaktionsnetz macht alle unabhängigen Arbeiten auf einmal verfügbar – 3.183 Interaktionen mit einem kritischen Pfad von nur 262 Schritten, was bedeutet, dass bei jedem Schritt ungefähr zwölf Interaktionen zur Ausführung bereit sind.

Der Anspruch – und seine Vorbehalte

Die Benchmark-Methodik verdient ebenso viel Aufmerksamkeit wie die Zahl. Architect Labs wählte 25 Workloads aus, gruppiert nach der Art und Weise, wie Programme Arbeit offenlegen – viele unabhängige Teile auf einmal, Runden paralleler Arbeit, lange sequentielle Ketten, datenabhängige Verzweigungen, Rekursion – und teilte sie in einen Suchsatz auf, auf den die Agenten abgestimmt waren, und einen zurückgehaltenen Bewertungssatz, um zu zeigen, dass sich das Design auf Programme verallgemeinert, auf die es nie abgestimmt wurde.

Kernel für FFT, Radixsort und LU-Zerlegung folgen der SPLASH-2-Benchmark-Suite, allerdings mit 64-mal kleinerer Größe, um explorative Läufe nachvollziehbar zu halten. Später fügte das Team fünf praktische Workloads zu dem zurückgehaltenen Satz hinzu: einen Kalman-Filter, PCA, Finite-Elemente-Analyse, eine LU-Lösung und LZ4-Dekomprimierung.

Zwei Vorbehalte sind wichtig. Erstens ist die Vergleichsbasis ein superskalarer Dual-Issue-In-Order-Kern – ein einfacher, energieeffizienter Entwurfspunkt, nicht die enormen Out-of-Order-Kerne, die Telefone und Laptops antreiben. Daher sollte der Wert von 4,59x nicht als Behauptung verstanden werden, dass er modernste Anwendungsprozessoren übertrifft. Zweitens existiert Frostbite heute im GDS-Stadium: ein vollständiges, verifiziertes Design, das zur Herstellung bereit ist, und noch kein getestetes, versandfertiges Stück Silizium. Das Unternehmen selbst bezeichnet das Ergebnis als Beweis für „eine stufenweise Steigerung der Perf/W und Perf/Fläche“ auf Designebene.

Wie die KI den Chip baute

Die Prozessbeschreibung ist wohl der neuartigste Teil der Ankündigung. Architect Labs gibt an, im gesamten Projekt mehrere Agentenschwärme eingesetzt zu haben. In der Explorationsphase fassten die Agenten Forschungsarbeiten und bestehende Benchmarks zusammen, erstellten Python-Modelle, um übergeordnete Architekturideen abzuwägen, und grenzten das Feld auf ein einziges Konzept ein – und erstellten ein 141-seitiges PDF, in dem das vorgeschlagene Programmiermodell, die Laufzeit und die übergeordneten Chipblöcke beschrieben wurden.

Das Unternehmen gibt zu, dass dieses Dokument „bei weitem nicht der endgültigen Architektur entsprach“: Nach Fertigstellung der ersten RTL-Generation wurde es gelöscht, da viele seiner Schätzungen „weit von dem entfernt waren, was physikalisch möglich war“.

Von dort aus erstellte das System mithilfe einer neuen internen Spezifikationssprache namens ASL ein vollständiges Softwaremodell des Chips und schrieb darin das Systemmodell von Frostbite – „Arcmodel“. ASL unterstützt maschinenüberprüfbare Übersetzungen und Verfeinerungen zwischen RTL, Systemmodellen, UVM und SVA-Behauptungen anhand einer formal abgesicherten Spezifikation, und seine Leistungs- und Leistungsschätzungen sollen mit einer Genauigkeit von 1–5 % genau sein. Als das Team später die entdeckten Architekturprimitive untersuchte, berichteten sie, dass sie „überrascht waren, neuartige Hardware-Implementierungen und Laufzeitfunktionen zu finden, deren Architektur sonst schwierig gewesen wäre“.

Von Redwood bis Frostbite

Frostbite baut auf dem vorherigen Ergebnis des Unternehmens, Redwood, auf, bei dem seine KI-Systeme – bei gegebener Architektur – in Rekordzeit einen Inferenzbeschleuniger implementierten, verifizierten und einsetzten. Der Unterschied liegt diesmal im Co-Design: Anstatt eine vom Menschen vorgegebene Architektur zu implementieren, formten die KI-Systeme gemeinsam den Befehlssatz, die Mikroarchitektur und den Compiler, einen Designraum, den Architect Labs als „so groß beschreibt, dass er zuvor nicht zugänglich war“.

Die abschließende These des Unternehmens ist weitreichend: Da KI-Systeme immer leistungsfähiger werden, wird jede heute bekannte Chipklasse – von CPUs für Rechenzentren bis hin zu KI-Beschleunigern, Netzwerk-Switches und NICs – ähnliche grundlegende architektonische Veränderungen durchlaufen. Das ist eine Prognose, kein Ergebnis, und eine unabhängige Validierung der Zahlen von Frostbite steht noch aus. Aber die Richtung, in die es geht, lässt sich kaum ignorieren: KI entwirft nicht mehr nur Layouts innerhalb von Menschen definierter Architekturen. Es beginnt damit, die Architekturen selbst zu erfinden.

---

Der KI einen Schritt voraus sein

Erhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Weitere KI-Neuigkeiten lesen →