En kiselstartup som heter Architect Labs säger att dess AI-system har upptäckt, designat och verifierat en ny CPU för allmänt bruk från början till slut - från instruktionsuppsättning hela vägen till slutlig chiplayout. Chipet, som heter Frostbite, avslöjades i ett blogginlägg den 18 november 2026 av Architect Labs, en del av Architect Silicon Inc. Enligt företaget itererade AI-agenter autonomt över kompilatorn, ISA, arkitektur, mikroarkitektur, RTL, verifiering och slutlig GDS – layoutfilerna som användes för chiptillverkning av chiptillverkning.

Rubrikpåståendet är slående: på en uppsättning av 25 arbetsbelastningar, inklusive 15 som hölls fram till den slutliga utvärderingen, uppnådde Frostbite en 4,59x prestanda-per-watt-multipel jämfört med en modern, kiselbeprövad superskalär, dubbelutgåva, CPU-kärna i ordning. Inlägget väckte omedelbar uppmärksamhet på Hacker News, där det samlade in mer än 160 röster under en dag. Om resultaten överlever oberoende granskning skulle detta rankas bland de mest följdriktiga delarna av AI-hårdtäckningen i år - bevis på att AI kan göra mer än att hjälpa chipdesigners, och istället kan skapa grundläggande arkitekturer som människor inte specificerade.

Varför konventionella processorer lämnar prestanda på bordet

Architect Labs argument börjar med en bekant diagnos. Vanliga programmeringsspråk kompilerade för processorer för allmänna ändamål döljer beroenden mellan delar av ett program, eftersom vilken kod som helst kan läsa eller skriva vilken variabel som helst genom delat, föränderligt tillstånd. Hårdvaran antar därför värsta fall och måste återupptäcka, vid körning, vilka instruktioner som faktiskt beror på varandra.

Enkärnig prestanda, noterar företaget, har i stort sett stannat sedan början av 2000-talet, vilket driver branschen mot stora flerkärniga konstruktioner i form av Intel Xeon och AMD Zen. Att behålla illusionen att varje kärna ser samma minne – cachehierarkier och koherensprotokoll – kostar yta och kraft och skalas dåligt.

Frostbites grund är en annan beräkningsmodell: interaktionsnät. Ett program är en graf över noder, och beräkning sker genom att skriva om par av anslutna noder. Varje omskrivning berör endast en liten lokal del av grafen. Varje nod har exakt en huvudport, så inga två aktiva par överlappar varandra – de kan skrivas om i valfri ordning, eller alla på en gång, och resultatet är alltid detsamma. Interaktionsnät är också linjära: varje värde används exakt en gång, så det finns inget delat föränderligt tillstånd för hårdvaran att skydda.

Enligt inlägget kan Vine-språket kompilera vanliga program direkt till interaktionsnät, och företaget säger att denna design ger två stora fördelar: parallellitet som kommer direkt från programmet snarare än från trådar och lås, och data som lever i små lokala minnen bredvid där den används – vilket eliminerar mycket av den yta och kraft som konventionella chips spenderar på stora, sammanhängande cacher.

Bloggen illustrerar skillnaden med ett sökproblem med fem drottningar. Ett C++-program går genom sökträdet en kandidat i taget; det motsvarande interaktionsnätet exponerar allt oberoende arbete på en gång - 3 183 interaktioner med en kritisk väg på endast 262 steg, vilket betyder att ungefär tolv interaktioner är redo att köras vid varje steg.

Påståendet — och dess varningar

Benchmarkmetoden förtjänar lika mycket uppmärksamhet som siffran. Architect Labs valde ut 25 arbetsbelastningar grupperade efter hur program exponerar arbete – många oberoende delar på en gång, rundor av parallellt arbete, långa sekventiella kedjor, databeroende grenar, rekursion – och delade upp dem i en sökuppsättning agenterna ställde in på och en uthållen utvärderingsuppsättning, för att visa designen generaliseras till program som den aldrig har trimmats på.

Kärnor för FFT, radixsort och LU-nedbrytning följer SPLASH-2 benchmark-sviten, dock i 64x mindre storlekar för att hålla utforskande körningar lätta att hantera. Teamet lade senare till fem praktiska arbetsbelastningar till den uthållna uppsättningen: ett Kalman-filter, PCA, finita elementanalys, en LU-lösning och LZ4-dekompression.

Två varningar spelar roll. För det första är jämförelsebaslinjen en superskalär kärna i ordning och reda med dubbla problem – en enkel, energieffektiv designpunkt, inte de enorma out-of-order kärnor som driver telefoner och bärbara datorer, så siffran på 4,59x bör inte läsas som ett påstående om att slå toppmoderna applikationsprocessorer. För det andra existerar Frostbite idag på GDS-stadiet: en komplett, verifierad design redo för tillverkning, ännu inte en testad, leveransbit av kisel. Företaget själva ramar in resultatet som att bevisa "en steg-funktionsökning av perf/W och perf/area" på designnivå.

Hur AI byggde chipet

Processbeskrivningen är utan tvekan den mest nya delen av tillkännagivandet. Architect Labs säger att det körde flera agentsvärmar över projektet. I utforskningsfasen syntetiserade agenter forskningsrapporter och befintliga riktmärken, byggde Python-modeller för att byta ut arkitektoniska idéer på hög nivå och begränsade fältet till ett enda koncept – och producerade en 141-sidig PDF som beskrev den föreslagna programmeringsmodellen, körtid och chipblock på hög nivå.

Det dokumentet, erkänner företaget, var "inte i närheten av den slutliga arkitekturen": när den första RTL-generationen slutfördes, raderades det, eftersom många av dess uppskattningar var "väl ställt till vad som var fysiskt möjligt."

Därifrån byggde systemet en fullständig mjukvarumodell av chippet med ett nytt internt specifikationsspråk som heter ASL, och skrev Frostbites systemmodell - "Arcmodel" - i den. ASL stöder maskinkontrollerbara översättningar och förbättringar mellan RTL, systemmodeller, UVM och SVA-påståenden mot en formellt stödd specifikation, och dess effekt- och prestandauppskattningar påstås vara korrekta inom 1-5 %. När teamet senare undersökte de upptäckta arkitektoniska primitiverna, rapporterar de att de är "förvånade över att hitta nya hårdvaruimplementationer och runtime-funktioner som annars skulle ha varit svåra att bygga."

Från Redwood till Frostbite

Frostbite bygger på företagets tidigare resultat, Redwood, där dess AI-system – givet en arkitektur – implementerade, verifierade och implementerade en inferensaccelerator på rekordtid. Skillnaden den här gången är samdesign: snarare än att implementera en mänskligt specificerad arkitektur, formade AI-systemen instruktionsuppsättningen, mikroarkitekturen och kompilatorn tillsammans, ett designutrymme som Architect Labs beskriver som "så stort att det tidigare var otillgängligt."

Företagets avslutande avhandling är svepande: i takt med att AI-system blir mer kapabla kommer varje klass av chip som är kända idag – från datacenterklassade processorer till AI-acceleratorer, nätverksväxlar och NIC – att gå igenom liknande grundläggande arkitekturskiften. Det är en prognos, inte ett resultat, och oberoende validering av Frostbites siffror har ännu inte skett. Men färdriktningen är svår att ignorera: AI designar inte längre bara layouter i mänskligt definierade arkitekturer. Det börjar uppfinna själva arkitekturerna.

---

Stay ahead of AI

Få de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.

Läs mer AI-nyheter →