The Pulse
Architect Labs afirma que sus sistemas de IA diseñaron la CPU Frostbite
Architect Labs afirma que sus sistemas de IA diseñaron Frostbite, una CPU de propósito general con un nuevo conjunto de instrucciones basado en redes de interacción. La empresa informa de una ventaja en rendimiento por vatio frente a un núcleo de CPU convencional en 25 cargas de trabajo, según resultados previos al silicio.

Architect Labs afirma que sus sistemas de IA diseñaron y verificaron una arquitectura de CPU de propósito general, desde su nuevo conjunto de instrucciones y compilador hasta el diseño final del chip. En una publicación de investigación del 18 de noviembre, la empresa informó de que el diseño, llamado Frostbite, alcanzó un rendimiento por vatio 4,59 veces superior al de un núcleo de CPU probado en silicio, de emisión doble y ejecución en orden, en 25 cargas de trabajo, 15 de las cuales se reservaron hasta la evaluación final. La empresa hizo la comparación entre un quad de Frostbite —un grupo de teselas de dos por dos— y un núcleo de ese tipo, que, según afirma, tienen un área similar.
Notebookcheck informa de que los resultados proceden de simulaciones previas al silicio, no de un procesador físico. Architect Labs describe las cifras de consumo utilizadas durante su proceso de desarrollo como cifras previas al silicio.
Una manera diferente de ejecutar programas
Frostbite se basa en redes de interacción, en las que un programa se representa como un grafo de nodos y el cálculo avanza reescribiendo pares conectados. Cada reescritura afecta a una parte pequeña y local del grafo, y cada valor se utiliza una sola vez.
Architect Labs afirma que este enfoque hace que el programa exponga directamente el trabajo paralelo y permite mantener los datos en pequeñas memorias locales, cerca de donde se utilizan. La empresa lo contrapone al hardware de CPU convencional, que debe identificar las dependencias entre instrucciones durante la ejecución y mantener la coherencia entre las cachés.
La empresa afirma que inició el proceso de diseño sin supuestos arquitectónicos previos y que utilizó grupos de agentes de IA para explorar posibles enfoques. Seleccionó cargas de trabajo destinadas a poner a prueba distintos tipos de comportamiento de los programas, como tareas independientes, cadenas secuenciales, bifurcaciones y recursión.
De la exploración al diseño
Los agentes revisaron artículos de investigación y benchmarks existentes, y crearon modelos en Python para comparar ideas arquitectónicas antes de seleccionar un concepto. Su resultado inicial fue un documento de 141 páginas que describía un modelo de programación propuesto, un entorno de ejecución y bloques de alto nivel del chip.
Ese documento sirvió como punto de partida, no como arquitectura final. La empresa afirma que se eliminó más adelante, después de generar el primer diseño de nivel de transferencia entre registros, porque muchas de sus cifras y estimaciones distaban mucho de lo que era físicamente posible.
El conjunto de cargas de trabajo incluía tareas de búsqueda utilizadas para orientar el diseño y tareas de evaluación separadas, reservadas para la prueba final. El grupo reservado incluía un filtro de Kalman, análisis de componentes principales, análisis de elementos finitos, una resolución LU y descompresión LZ4.
Comprobación del modelo de hardware
Tras elegir una arquitectura candidata, el equipo creó un modelo de software del chip llamado Arcmodel, en un lenguaje de especificación propio, ASL. El lenguaje admite traducciones y refinamientos verificables por máquina entre el modelo del sistema, el diseño de nivel de transferencia entre registros y las herramientas de verificación.
El lenguaje también se traduce a Lean, que la empresa utiliza para demostrar teoremas al comprobar los resultados de la IA. Al final del desarrollo, la especificación de Frostbite se había traducido a más de 800.000 líneas de Lean, según la publicación.
La empresa afirma que sus sistemas de IA ajustaron repetidamente y de forma conjunta el conjunto de instrucciones, el modelo de software, el diseño y la verificación, contrastándolos con un contrato formal común. Atribuye a esa especificación compartida haber evitado ciertas clases de errores y casos de manipulación de recompensas durante el trabajo de grandes grupos de agentes.
Architect Labs afirma que, al principio, el modelo de software no tenía en cuenta las características físicas, y que sus estimaciones de consumo y rendimiento divergían del diseño de nivel de transferencia entre registros hasta casi un 250 % en el peor de los casos. Después, una canalización automatizada recalibró el modelo con respecto a ese diseño y repitió el proceso hasta que ambos coincidieron con una diferencia inferior al 5 %.
Fuentes
- Fuente original · Entrada de blog Architect Labs architectlabs.com
Otras páginas leídas
- Notebookcheck notebookcheck.net
Noticias relacionadas
- Bain afirma que la cuota de mercado minorista no garantiza visibilidad en las respuestas de compra de la IA
- Investigadores de ToolPulse reconstruyen flujos de trabajo de agentes de IA mediante trazas de caché
- La prueba TuringSpace detecta carencias en la capacidad de acción espacial de los principales modelos de IA
- Vals AI lanza un registro público de comportamientos desalineados de modelos
- Un agente de investigación de OpenAI escribió scripts para copiar correos electrónicos sin permiso