Een silicium-startup genaamd Architect Labs zegt dat zijn AI-systemen een nieuwe end-to-end CPU voor algemeen gebruik hebben ontdekt, ontworpen en geverifieerd – van de instructieset tot aan de uiteindelijke chiplay-out. De chip, genaamd Frostbite, werd onthuld in een blogpost van 18 november 2026 door Architect Labs, onderdeel van Architect Silicon Inc. Volgens het bedrijf itereerden AI-agenten autonoom over de compiler, ISA, architectuur, microarchitectuur, RTL, verificatie en uiteindelijke GDS – de lay-outbestanden die worden gebruikt voor de productie van chips – zonder door mensen aangeleverde architecturale priors.

De hoofdclaim is opvallend: op een reeks van 25 workloads, waarvan er 15 volhielden tot de eindevaluatie, behaalde Frostbite een prestatie-per-watt-veelvoud van 4,59x vergeleken met een moderne, op silicium bewezen superscalaire, in-order CPU-kern met twee problemen. Het bericht trok onmiddellijk de aandacht op Hacker News, waar het binnen een dag meer dan 160 stemmen verzamelde. Als de resultaten onafhankelijk onderzoek overleven, zou dit tot de meest consequente berichten over AI-hardware dit jaar behoren – een bewijs dat AI meer kan doen dan chipontwerpers helpen, en in plaats daarvan fundamentele architecturen kan voortbrengen die mensen niet hebben gespecificeerd.

Waarom conventionele CPU's de prestaties achterwege laten

Het betoog van Architect Labs begint met een bekende diagnose. Reguliere programmeertalen die zijn samengesteld voor CPU's voor algemeen gebruik verbergen afhankelijkheden tussen delen van een programma, omdat elk stukje code elke variabele kan lezen of schrijven via een gedeelde, veranderlijke status. Hardware gaat daarom uit van het ergste geval en moet tijdens runtime opnieuw ontdekken welke instructies daadwerkelijk van elkaar afhankelijk zijn.

Het bedrijf merkt op dat de prestaties van single-core sinds het begin van de jaren 2000 grotendeels tot stilstand zijn gekomen, waardoor de industrie in de richting van grote multicore-ontwerpen in de vorm van Intel Xeon en AMD Zen is geduwd. Het in stand houden van de illusie dat elke kern hetzelfde geheugen ziet – cachehiërarchieën en coherentieprotocollen – kost ruimte en kracht en is slecht schaalbaar.

De basis van Frostbite is een ander rekenmodel: interactienetten. Een programma is een grafiek van knooppunten, en de berekening vindt plaats door paren verbonden knooppunten te herschrijven. Elke herschrijving raakt slechts een klein lokaal deel van de grafiek. Elk knooppunt heeft precies één hoofdpoort, dus twee actieve paren overlappen elkaar nooit. Ze kunnen in elke volgorde of allemaal tegelijk worden herschreven, en het resultaat is altijd hetzelfde. Interactienetten zijn ook lineair: elke waarde wordt precies één keer gebruikt, dus er is geen gedeelde veranderlijke status die de hardware moet bewaken.

Volgens de post kan de Vine-taal gewoon uitziende programma's rechtstreeks op interactienetten compileren, en het bedrijf zegt dat dit ontwerp twee grote voordelen oplevert: parallellisme dat rechtstreeks uit het programma komt in plaats van uit threads en locks, en gegevens die in kleine lokale herinneringen leven naast waar ze worden gebruikt - waardoor een groot deel van de ruimte en kracht wordt geëlimineerd die conventionele chips besteden aan grote, samenhangende caches.

De blog illustreert het verschil met een zoekprobleem met vijf koninginnen. Een C++-programma doorloopt de zoekboom met één kandidaat tegelijk; het equivalente interactienet legt al het onafhankelijke werk in één keer bloot: 3.183 interacties met een kritisch pad van slechts 262 stappen, wat betekent dat er bij elke stap ongeveer twaalf interacties klaar zijn om te worden uitgevoerd.

De claim – en zijn kanttekeningen

De benchmarkmethodologie verdient evenveel aandacht als het aantal. Architect Labs selecteerde 25 werklasten, gegroepeerd op de manier waarop programma's werk blootleggen - veel onafhankelijke stukken tegelijk, rondes van parallel werk, lange opeenvolgende ketens, data-afhankelijke vertakkingen, recursie - en splitste ze op in een zoekset waar de agenten op afstemden en een uitgestelde evaluatieset, om te laten zien dat het ontwerp generaliseert naar programma's waarop het nooit was afgestemd.

Kernels voor FFT, radixsort en LU-decompositie volgen de SPLASH-2 benchmarksuite, zij het met 64x kleinere formaten om verkenningsruns handelbaar te houden. Het team voegde later vijf praktische werklasten toe aan de bestaande set: een Kalman-filter, PCA, eindige-elementenanalyse, een LU-oplossing en LZ4-decompressie.

Twee kanttekeningen zijn van belang. Ten eerste is de vergelijkingsbasislijn een superscalaire kern met twee problemen: een eenvoudig, energie-efficiënt ontwerppunt, en niet de enorme defecte kernen die telefoons en laptops aandrijven. Het cijfer van 4,59x moet dus niet worden gelezen als een claim dat de state-of-the-art applicatieprocessors worden verslagen. Ten tweede bestaat Frostbite vandaag de dag in de GDS-fase: een compleet, geverifieerd ontwerp dat klaar is voor fabricage, en nog geen getest, verzonden stuk silicium. Het bedrijf zelf omschrijft het resultaat als een bewijs van "een stapsgewijze toename van prestatie/W en prestatie/oppervlak" op ontwerpniveau.

Hoe de AI de chip heeft gebouwd

De procesbeschrijving is misschien wel het meest nieuwe deel van de aankondiging. Architect Labs zegt dat er meerdere agentenzwermen door het project liepen. In de verkenningsfase synthetiseerden agenten onderzoekspapers en bestaande benchmarks, bouwden ze Python-modellen om architectonische ideeën van hoog niveau uit te wisselen, en beperkten ze het veld tot één enkel concept: ze produceerden een pdf van 141 pagina's waarin het voorgestelde programmeermodel, de runtime en chipblokken op hoog niveau werden beschreven.

Dat document, zo geeft het bedrijf toe, was "nog lang niet in de buurt van de definitieve architectuur": zodra de eerste RTL-generatie voltooid was, werd het verwijderd, omdat veel van de schattingen "ver verwijderd waren van wat fysiek mogelijk was".

Van daaruit bouwde het systeem een ​​volledig softwaremodel van de chip met behulp van een nieuwe interne specificatietaal genaamd ASL, waarin het systeemmodel van Frostbite – "Arcmodel" - werd geschreven. ASL ondersteunt machinaal controleerbare vertalingen en verfijningen tussen RTL-, systeemmodellen-, UVM- en SVA-beweringen tegen een formeel ondersteunde specificatie, en de kracht- en prestatieschattingen ervan zijn nauwkeurig tot op 1-5%. Toen het team later de ontdekte architecturale primitieven onderzocht, meldden ze dat ze "verrast waren om nieuwe hardware-implementaties en runtime-functies te vinden die anders moeilijk te ontwerpen zouden zijn geweest."

Van Redwood tot Frostbite

Frostbite bouwt voort op het eerdere resultaat van het bedrijf, Redwood, waarin zijn AI-systemen – gegeven een architectuur – in recordtijd een gevolgtrekkingsversneller implementeerden, verifiëren en inzetten. Het verschil is dit keer co-design: in plaats van een door de mens gespecificeerde architectuur te implementeren, vormden de AI-systemen samen de instructieset, de microarchitectuur en de compiler, een ontwerpruimte die Architect Labs beschrijft als "zo groot dat deze voorheen ontoegankelijk was."

De slotstelling van het bedrijf is ingrijpend: naarmate AI-systemen capabeler worden, zal elke chipklasse die we vandaag de dag kennen – van datacenter-grade CPU’s tot AI-versnellers, netwerkswitches en NIC’s – vergelijkbare fundamentele architecturale verschuivingen ondergaan. Dat is een voorspelling, geen resultaat, en onafhankelijke validatie van de cijfers van Frostbite moet nog gebeuren. Maar de reisrichting is moeilijk te negeren: AI ontwerpt niet langer alleen maar lay-outs binnen door de mens gedefinieerde architecturen. Het begint de architecturen zelf uit te vinden.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →