Telset.id – Startup asal Palo Alto, Architect Labs, mengklaim sistem AI mereka berhasil menemukan, merancang, dan memverifikasi Frostbite, sebuah CPU general-purpose dengan instruction set baru yang dibangun “from the ground up”. Dalam 25 workload, klaster Frostbite empat tile mencatatkan performa per watt 4,59 kali lipat dibandingkan core CPU dual-issue, in-order yang “silicon-proven” berukuran serupa.
Angka tersebut berasal dari desain 7nm yang masih disimulasikan dan belum dibuat dalam bentuk silikon. Architect Labs juga menyatakan tidak dapat menyebutkan nama core pembanding karena alasan legal. Klaim efisiensi CPU Frostbite ini menjadi sorotan karena menempatkan AI bukan sekadar sebagai alat bantu desain, melainkan sebagai perancang arsitektur chip secara utuh.
Menurut Architect Labs, CPU konvensional memiliki hardware yang “menemukan ulang, saat runtime, instruksi mana yang sebenarnya saling bergantung”. Desain multicore juga membutuhkan hierarki cache yang dalam dan protokol koherensi untuk menjaga konsistensi pandangan setiap core terhadap memori bersama, tetapi skala tersebut mahal dari sisi area dan daya.
Pendekatan “Multithreading for Free”
Alternatif yang ditawarkan Architect Labs adalah apa yang mereka sebut “multithreading for free”, di mana program itu sendiri mengekspos pekerjaan paralel tanpa memerlukan thread, lock, atau hardware out-of-order untuk penemuan dependensi tersebut. Program Frostbite dikompilasi ke interaction nets, model komputasi dari 1990 di mana program adalah graf berisi node dan komputasi terjadi dengan menulis ulang pasangan node yang terhubung.
Pasangan node yang ditulis ulang tidak pernah tumpang tindih, sehingga bisa berjalan dalam urutan apa pun atau sekaligus dan tetap menghasilkan hasil yang sama. Setiap nilai juga digunakan tepat satu kali, sehingga data dapat tetap berada di memori lokal kecil alih-alih cache bersama yang besar. Pendekatan inilah yang menjadi dasar efisiensi CPU Frostbite.
Tim memberikan contoh perbedaan lewat papan mirip catur 5×5 dengan lima queen yang ditempatkan agar tidak saling menyerang. Program biasa mencari solusi satu papan demi satu papan. Sebagai interaction net, pencarian yang sama dipecah menjadi 3.183 operasi kecil, dan rantai terpanjang yang harus berjalan berurutan hanya 262 langkah, sehingga rata-rata sekitar 12 operasi siap dijalankan bersamaan di setiap langkah. Tidak ada bagian program yang ditulis ulang untuk mencapai kondisi itu karena pekerjaan paralelnya sudah intrinsik.

Setiap tile chip, unit pemrosesan kecil identik yang dihubungkan jaringan on-chip, memiliki memori lokal kecil sendiri. Empat tile ditambah empat node L3 membentuk klaster yang diuji terhadap core konvensional untuk klaim performa tersebut, sementara tata letak penuhnya memiliki 16 tile. Desain ini mencapai 800 MHz pada sintesis awal, tetapi berakhir di 500 MHz pada tata letak final. Klaster tersebut juga mencatatkan rata-rata performa per area 8,77 kali lipat dibanding core pembanding.
| Workload | Performa per watt Frostbite vs core pembanding |
|---|---|
| Semua 25 (geometric mean) | 4,59x |
| 10 workload untuk tuning desain | 6,02x |
| 15 workload yang ditahan hingga evaluasi final | 3,83x |
| Terbaik: conv2d (held out) | 23,12x |
| Terburuk: Fibonacci rekursif (held out) | 1,15x |

Dari Nol, Tanpa Prior Arsitektur
Yang mungkin mengejutkan, AI yang membangun Frostbite memulai dengan apa yang disebut perusahaan sebagai “zero architectural priors”, meski tim terlebih dahulu memilih workload yang harus dikerjakan dengan baik. Para agent kemudian membaca paper dan benchmark, membangun model Python, lalu memilih satu konsep untuk difokuskan.
Output PDF awal setebal 141 halaman, yang berisi model pemrograman, runtime, dan blok tingkat tinggi, dihapus setelah desain register-transfer level (RTL) pertama dihasilkan karena “banyak angka dan estimasi jauh dari apa yang mungkin secara fisik”. PDF itu hanya menjadi titik awal. Setelah para agent memilih arsitektur, mereka beralih dari bahasa Inggris karena dianggap tidak dapat menangkap setiap detail atau menemukan setiap kesalahan, dan menulis spesifikasi dalam bahasa milik perusahaan bernama ASL.
ASL diterjemahkan ke Lean, sebuah proof checker, sehingga dapat diperiksa oleh mesin. Perusahaan menyatakan hal ini mencegah kelas bug yang besar dan mengurangi peluang agent “mengakali” objektifnya. Dari situ, para agent menyusun Arcmodel, model perangkat lunak seluruh chip yang ditulis dalam ASL, sebelum ada desain sirkuit sama sekali.
Simulasi RTL berjalan lambat, sehingga para agent menguji ide pada model yang berjalan sekitar 200 kali lebih cepat. Awalnya estimasi daya model meleset hingga hampir 250%, tetapi loop otomatis menyesuaikannya sampai cocok dengan desain sirkuit dalam selisih 5%. Dari sana, kawanan agent mengusulkan perubahan secara paralel, dan setiap usulan diperiksa terhadap spesifikasi, diuji pada model cepat, dibangun ke dalam desain sirkuit, dan diukur dayanya sebelum diputuskan diterima atau ditolak. Hasilnya, 58 ide dicoba dan 37 dipertahankan.
Baca Juga:
Secara terpisah, muncul perilaku yang “tidak pernah dispesifikasikan oleh manusia mana pun”, yakni work stealing: tile yang tidak memiliki pekerjaan dapat menarik pekerjaan sisa dari tetangganya atau, jika tidak ada yang bisa dikerjakan, menjadi idle untuk menghemat daya. Perilaku ini menjadi bukti bagaimana AI Agents dapat menghasilkan solusi di luar instruksi eksplisit.
| Sumber Energi | Core pembanding | Frostbite |
|---|---|---|
| Memori | 57% | 38% |
| Fetching, decoding, dan issuing instruksi | 27% | 6% |
| Jaringan on-chip dan scheduler | Tidak dirinci | 26% |
| Distribusi clock (bagian dari total energi) | 49% | 41% |
Data konsumsi energi di atas diambil dari satu klaster empat tile, rata-rata 20 workload, tidak termasuk distribusi clock. Angka ini menunjukkan di mana energi CPU Frostbite terserap dibandingkan core konvensional.
Ini bukan desain pertama Architect Labs. Perusahaan sebelumnya memperkenalkan Redwood, akselerator inferensi AI untuk robot dan drone, pada Agustus. Dalam kasus itu, perusahaan menyatakan AI mereka menghasilkan RTL, verifikasi, firmware, driver, dan kernel dalam waktu kurang dari dua minggu dari spesifikasi yang ditulis dua arsitek manusia. Redwood masih berjalan hanya di FPGA dan belum dibuat dalam silikon, meski perusahaan menyatakan sedang berupaya agar diproduksi di TSMC.
Architect Labs menyebut akan ada lebih banyak benchmark, tetapi itu hanya sebagian dari rencana. Perusahaan juga menginginkan “software playground for anybody to run a program on Frostbite” yang dihosting FPGA, bersama “preliminary operating system”. Pada akhirnya, mereka berencana merilis RTL dan instruction set Frostbite. Sementara itu, perusahaan akan mencakup lebih banyak workload dan membandingkan “a broader set of CPUs”, termasuk konfigurasi mesh Frostbite yang lebih besar melawan versi multicore dari core pembanding dengan cache besar. Mereka juga akan menguji terhadap “larger, wider, out-of-order CPUs”, dengan perbandingan tersebut dijadwalkan dalam beberapa bulan mendatang pada benchmark CPU populer seperti SPEC dan PARSEC.
Di sisi lain, Tendrils Compute, pesaing potensial yang berbasis di Cambridge, Inggris, dikabarkan menggalang pendanaan awal bulan ini untuk prosesor yang diklaim akan memiliki “ribuan core yang beroperasi secara paralel”. Perusahaan itu juga mengembangkan Vine, bahasa yang sama dengan tempat program Frostbite ditulis. Dinamika ini memperlihatkan bagaimana pemanfaatan AI untuk Agents dalam desain chip mulai melibatkan lebih banyak pemain.





Komentar
Belum ada komentar.