Architect Labs というシリコンの新興企業は、同社の AI システムが新しい汎用 CPU を、命令セットから最終的なチップ レイアウトに至るまで、エンドツーエンドで発見、設計、検証したと述べています。 Frostbiteと名付けられたこのチップは、Architect Silicon Inc.の一部であるArchitect Labsの2026年11月18日のブログ投稿で発表された。同社によると、AIエージェントはコンパイラ、ISA、アーキテクチャ、マイクロアーキテクチャ、RTL、検証、および最終的なGDS(チップ製造に使用されるレイアウトファイル)を人間が提供するアーキテクチャ事前設定を一切使用せずに自律的に反復したという。

見出しの主張は印象的です。最終評価まで保留された 15 ワークロードを含む 25 のワークロードのセットで、Frostbite は、最新のシリコンで実証されたスーパースカラー デュアルイシューのインオーダー CPU コアと比較して、ワットあたりのパフォーマンスが 4.59 倍を達成しました。この投稿は Hacker News で即座に注目を集め、1 日以内に 160 以上の賛成票を集めました。もしその結果が独立した精査に耐えられれば、これは今年の AI ハードウェア報道の中で最も重要な部分にランクされることになるだろう。これは、AI がチップ設計者を支援するだけではなく、人間が指定していない基本的なアーキテクチャを生み出すことができるという証拠である。

従来の CPU のパフォーマンスが劣る理由

Architect Labs の議論は、おなじみの診断から始まります。汎用 CPU 用にコンパイルされた主流のプログラミング言語は、プログラムの各部分間の依存関係を隠します。これは、どのコード部分も、共有された変更可能な状態を通じて任意の変数を読み書きできるためです。したがって、ハードウェアは最悪のケースを想定し、どの命令が実際に相互に依存しているかを実行時に再検出する必要があります。

同社によれば、シングルコアのパフォーマンスは 2000 年代初頭からほぼ停滞しており、業界は Intel Xeon と AMD Zen の型に沿った大規模なマルチコア設計に向かって進んでいます。すべてのコアが同じメモリ (キャッシュ階層とコヒーレンス プロトコル) を認識しているという幻想を維持すると、面積と電力がかかり、拡張性が低くなります。

Frostbite の基盤は、別の計算モデルであるインタラクション ネットです。プログラムはノードのグラフであり、接続されたノードのペアを書き換えることによって計算が行われます。すべての書き換えは、グラフのごくローカルな部分のみに影響します。各ノードには主ポートが 1 つだけあるため、2 つのアクティブなペアが重複することはありません。任意の順序で書き換えることも、一度にすべて書き換えることもでき、結果は常に同じになります。インタラクション ネットも線形です。すべての値は 1 回だけ使用されるため、ハードウェアが保護すべき共有の可変状態はありません。

投稿によると、Vine言語は普通に見えるプログラムをインタラクションネットに直接コンパイルでき、同社によれば、この設計は2つの大きな利点をもたらすという。スレッドやロックからではなくプログラムから直接得られる並列性と、データが使用される場所の隣の小さなローカルメモリに存在するデータであり、従来のチップが大規模でコヒーレントなキャッシュに費やす面積と電力の多くを削減できる。

このブログでは、5 クイーン探索問題との違いを説明しています。 C++ プログラムは、一度に 1 つの候補を検索ツリー内で探索します。等価インタラクション ネットは、すべての独立した作業を一度に公開します。つまり、わずか 262 ステップのクリティカル パスを持つ 3,183 のインタラクション、つまり各ステップでおよそ 12 のインタラクションを実行する準備ができていることになります。

主張 — とその警告

ベンチマーク方法は、数値と同じくらい注目に値します。 Architect Labs は、プログラムが作業を公開する方法 (一度に多数の独立した部分、並列作業のラウンド、長い連続チェーン、データ依存の分岐、再帰) によってグループ化された 25 のワークロードを選択し、それらをエージェントが調整した検索セットと保留された評価セットに分割し、設計が調整されていないプログラムに一般化されていることを示しました。

FFT、radixsort、LU 分解のカーネルは SPLASH-2 ベンチマーク スイートに従っていますが、探索的な実行を扱いやすくするために 64 倍小さいサイズになっています。その後、チームは、カルマン フィルター、PCA、有限要素解析、LU ソルブ、LZ4 圧縮解除という 5 つの実用的なワークロードを、保留されたセットに追加しました。

2 つの注意点が重要です。まず、比較のベースラインは、二重問題のインオーダー スーパースカラー コアです。電話やラップトップに電力を供給する巨大なアウトオブオーダー コアではなく、シンプルで電力効率の高い設計ポイントです。したがって、4.59 倍という数字は、最先端のアプリケーション プロセッサを上回るという主張として解釈されるべきではありません。第二に、Frostbite は現在、GDS 段階に存在します。つまり、製造の準備ができている完全で検証済みの設計であり、まだテストされて出荷されるシリコン片ではありません。同社自身は、設計レベルで「パフォーマンス/W およびパフォーマンス/面積の階段関数の増加」を証明したものとして結果を組み立てています。

AI がチップを構築した方法

プロセスの説明はおそらく、発表の中で最も目新しい部分です。 Architect Labs は、プロジェクト全体にわたって複数のエージェント群を実行したと述べています。調査フェーズでは、エージェントは研究論文と既存のベンチマークを統合し、高レベルのアーキテクチャ上のアイデアをトレードオフするために Python モデルを構築し、フィールドを 1 つのコンセプトに絞り込み、提案されたプログラミング モデル、ランタイム、および高レベルのチップ ブロックを説明する 141 ページの PDF を作成しました。

同社は、その文書が「最終アーキテクチャには程遠い」ものだったことを認めている。最初の RTL 世代が完了すると、その推定値の多くが「物理的に可能な値から大きく外れていた」ため、文書は削除された。

そこから、システムは ASL と呼ばれる新しい社内仕様言語を使用してチップの完全なソフトウェア モデルを構築し、その中に Frostbite のシステム モデル (「Arcmodel」) を書き込みました。 ASL は、正式に裏付けられた仕様に対する RTL、システム モデル、UVM、および SVA アサーション間の機械チェック可能な変換と改良をサポートしており、その消費電力とパフォーマンスの推定精度は 1 ~ 5% 以内であると主張されています。その後、チームが発見されたアーキテクチャー・プリミティブを調査したところ、「さもなければ設計が困難だった新しいハードウェア実装とランタイム機能を見つけて驚いた」と報告しています。

セコイアから凍傷まで

Frostbite は、同社の以前の成果である Redwood をベースに構築されており、その AI システムでは、アーキテクチャが指定されているため、記録的な速さで推論アクセラレータを実装、検証、デプロイしました。今回の違いは共同設計です。人間が指定したアーキテクチャを実装するのではなく、AI システムが命令セット、マイクロアーキテクチャ、コンパイラを一緒に形成しました。この設計空間は、Architect Labs が「あまりに大きすぎて以前はアクセスできなかった」と表現しています。

同社の最終論文は広範囲にわたる。AI システムの能力が向上するにつれて、データセンター グレードの CPU から AI アクセラレータ、ネットワーキング スイッチ、NIC に至るまで、今日知られているあらゆるクラスのチップが同様の基本的なアーキテクチャの変化を経験することになる。これは結果ではなく予測であり、フロストバイトの数についての独立した検証はまだ行われていない。しかし、進行方向を無視するのは困難です。AI はもはや人間が定義したアーキテクチャ内のレイアウトを設計するだけではありません。アーキテクチャそのものを発明し始めています。

---

AI の先を行く

最新の AI ニュース、分析、画期的な情報をすべて 1 か所で入手できます。

AI ニュースをもっと読む→