标签
Architect Labs 发布了 Frostbite,这是一款采用全新指令集架构(ISA)的通用 CPU,据称由智能体集群端到端设计,宣称每瓦性能达到基准的 4.59 倍——不过,对比基准是一个简单的顺序执行核心,数据是芯片流片前的估算值,而且部分基准测试还针对该智能体集群自身的测试进行了调优。
马斯克在访谈中表示,AI 与机器人正让 SpaceX 与特斯拉的业务越来越接近:特斯拉聚焦自动驾驶与 Optimus 机器人,SpaceX 推进大模型工作,两家公司还都有先进芯片设计团队。
OpenAI 与 AMD 合作,利用自家模型在旗舰 GPU IP 上实现最高 14% 的 PPA 改进,同时推进 Jalapeño 自研推理芯片优化,并与 Synopsys 合作将模型能力接入 EDA 工具以服务更多芯片设计师。
OpenAI详细介绍了其前沿模型(包括GPT-4o)如何在其定制的Jalapeño推理芯片以及AMD的GPU和CPU设计中实现专家级的RTL和PPA改进,并计划将其集成到Synopsys EDA工具中。结果表明,在不到五个月的时间内借助AMD硬件实现了大约一年的芯片设计进展。
Chips and Cheese 采访 AMD 服务器架构负责人 Mahesh Subramony,深入探讨 EPYC Venice (Zen 6) 的 SoC 设计,包括转向 2.5D 先进封装的原因、I/O die 拆分为二的设计权衡,以及 SP7/SP8 平台与 32 核 CCD 扩展的取舍。
播客节目回顾了 Steve Furber 与 Sophie Wilson 在毫无芯片设计经验的情况下,如何从自制电脑和 RISC 论文出发设计出第一颗 ARM 芯片,并讲述了 BBC Micro、Acorn 的兴衰及硬件设计学习方法。
作者展示了一颗完全由数据端到端自动学习设计、可单周期玩 Connect-4 的自定义芯片:约 14k 逻辑门,在 130nm 工艺上以 25MHz 运行、每步仅耗数百皮焦耳,证明用 AI 自动设计面向任意 ML 任务的专用硅片已近在眼前。
印度芯片初创公司Bharat Semi完成2400万美元种子轮融资,用于开发面向全球市场的AI可编程图像传感器。该公司已获得General Atomics和Kaynes Semicon的设计订单,计划于2027年实现量产。
Ken Shirriff 的深度技术文章,通过开盖显微成像与微码逆向分析,详解 Intel 8087 协处理器如何实现浮点加法与减法,包括 1648 条微指令、整数加法器、移位器与指数转换器等关键电路模块及其处理无穷大等特殊值的方式。
DuoDiscover 是一个自主发现搜索系统,通过让编码代理协同发现优化目标与快速代理评估器(yardstick),并用保真度测试防止代理指标漂移,来突破自主发现中的评估瓶颈。在 SWEfficiency、SOL-Exec、vLLM、SQLite 及 CPU 微架构优化等多个基准上取得显著成果,部分任务上超越 AlphaEvolve 系统与人类专家。
一篇提出 AI 驱动、时序感知的芯片后布线功耗优化框架的论文,使用梯度提升模型集成对功耗修复编辑和修复动作进行排序,同时由确定性 EDA 分析把关约束。论文给出契约与预注册评估协议,但尚未报告训练模型的结果。
# 芯片设计本质上是一个巨大的组合搜索问题 一位开发者的评论文章提出了这样一个观点:**芯片设计从根本上说是一个大规模的组合搜索问题**——仅 50 万个标准单元就可能产生约 **10^2,632,341** 种排列组合,其规模远远超过围棋或蛋白质折叠。 以 50 万个标准单元计算,可供选择的排布方式大约是 10^2,632,341 种。这个数字大到难以想象:围棋的状态空间大约是 10^170,蛋白质折叠的搜索空间虽然庞大,但仍远远无法与之相比。芯片设计面对的,是一个任何暴力搜索都完全无法触及的解空间。 然而,文章的关键论点在于:**AI 并不会让芯片设计的产出变少,恰恰相反,它会让更多的定制芯片能够成功流片**。 原因很简单——AI 的价值不在于"解决"这个搜索问题,而在于**降低探索这个空间的成本**。当前,设计一颗芯片之所以昂贵,很大程度上是因为每一次设计迭代都需要大量人类专家的投入和时间。而当 AI 能够以更低的成本辅助布局布线、约束求解、架构探索与物理实现时,原本因成本过高而被放弃的定制芯片项目就会变得可行。 也就是说,AI 不是在收缩芯片设计的规模,而是在把那 10^2,632,341 种可能性中的一小部分,变成现实中能够流片的硅片。**探索空间的边际成本下降了,最终产出的定制芯片只会更多,而不是更少。**
OpenAI 与 Synopsys 宣布达成多年期合作,共同开发 GPT-Synopsys——一个经过专门训练、能原生操作 Synopsys EDA 工具以加速半导体设计的前沿模型,双方将建立收入分成与市场推广合作框架。
AMD与World Labs的合作可能会影响未来的芯片设计,通过将硬件开发与Fei-Fei Li领导的空间AI研究相结合,强调模型构建者和芯片设计者之间的更紧密协作。
Claude Opus 5.5 设计了一款在 HWE 基准测试中比人工制造的 VexRiscv 更快且更小的处理器
本文介绍了《Chip Scale Review》这本关于半导体封装未来的出版物,提供PDF下载链接,并列出了从2020年到2026年的卷号。
在TechCrunch Disrupt 2026上,Ricursive Intelligence的联合创始人Anna Goldie和Azalia Mirhoseini将讨论AI如何自动化并加速芯片设计,有可能将设计周期从数年缩短至数周。
ChipMEM 引入一个面向EDA代理的验证基础内存层,通过从经过验证的工具交互中提炼可重用技能,并使用贝叶斯统计指导将技能转移到未见过的任务中,从而提升RTL设计性能。
本文探索使用LLM智能体进行芯片设计,采用更高层次的抽象,引入名为AHRR的工作流,该工作流结合了基于智能体的HLS设计与RTL细化,在基准测试中实现了比直接RTL设计快2.6倍的加速。
OpenAI发布了Jalapeño,这是其首款AI加速芯片,利用自身的大语言模型在20个月内设计完成,与Nvidia的GB300相比,实现了最高3.6倍的延迟降低。