AI设计芯片，开启定制硅芯片的高速未来

Architect Labs 宣称打造出了Redwood（红杉）AI 加速器：该芯片几乎完全由人工智能完成设计与验证，整体耗时不到两周。如果该成果能够得到独立验证，并且从可编程原型成功转化为可量产的芯片，该项目或将给计算机芯片开发模式带来重大变革。

据该公司介绍，仅由两名芯片架构师提供书面规格文档，其 AI 系统便生成了芯片的寄存器传输级（RTL）设计、验证环境、固件、驱动程序以及定制计算内核。目前 Redwood 运行在 AMD Versal 现场可编程门阵列（FPGA）上，尚未完成流片制造。

Architect Labs 将 Redwood 定位为面向物理 AI的推理平台，服务机器人、无人机以及其他边缘设备。这类设备需要以低功耗快速运行复杂模型。该系统已可对通义千问（Qwen）等开源权重模型完成实时推理，同时支持 Llama 这类数十亿参数规模的大模型。

Redwood 架构融合矩阵与向量计算引擎，并搭配专用片上网络。注意力机制、键‑值缓存、动态量化等功能全部在芯片本地执行，无需反复将任务交由外部主机处理器处理。硬件、固件与软件内核采用协同设计，让整套系统行为和所运行 AI 模型实现匹配。

这种全栈协同设计思路，和其宣称的设计速度同等重要。传统芯片项目按阶段流转于不同专业团队：架构设计交付硬件设计，再依次进入验证、固件、软件开发环节。在流程后期做出修改，往往周期漫长、成本高昂。Architect Labs 表示，修改 Redwood 高层规格后，可以在 48 小时内完成大部分设计的重新生成、验证与部署；不过部分系统级工作仍然受限于传统电子设计自动化（EDA）工具的运行耗时。

公布的性能数据十分亮眼，但需要审慎看待。Architect Labs 预测，如果采用三星 8 纳米工艺实现，Redwood 吞吐量将达到英伟达 Jetson Orin Nano 的 1.75 倍，同时功耗仅为后者的 1/1.9；在测试模型下，单位功耗性能可提升 3.4 倍。

但上述数值是基于 FPGA 测试结果推算得出，并非流片后芯片的实测数据。因此该对比还不能代表芯片经过物理实现、制造与生产认证之后的真实表现，而且该性能结论来自 Architect Labs 自身，尚未经过第三方机构评估。

验证是本次发布的另一大重点。公司称，借助商用设计工具、自研形式化验证系统以及硬件在环测试，芯片每个模块的代码覆盖率与功能覆盖率均超过 95%。同时，设计从仿真首次迁移至 FPGA 时，未出现硬件缺陷。该成果的实际价值高于 AI 仅生成少量硬件描述代码，不过仍亟待外部机构评审检验。

事件意义

芯片开发成本极高、周期漫长，高度依赖稀缺专业人才。一款复杂芯片项目往往耗时数年、投入数亿美元，需要架构、验证、软件等庞大团队协同。这就导致高端定制芯片基本只有政府、科技巨头与资金雄厚的半导体企业才有能力涉足。

如果 Architect Labs 这套方案可以实现商业化落地，中小型机构无需组建庞大的半导体内部团队，就能够打造适配特定模型、特定产品的定制芯片。机器人厂商、科研实验室、云服务商可以针对自身业务负载做硬件优化，而不是把各类业务强行适配多年前设计的通用处理器。

Redwood 同时预示 AI 软硬件之间可以形成更紧密的反馈闭环：AI 模型辅助设计适配自身运行的处理器；再利用优化后的处理器，进一步挖掘架构与软件层面的改进空间。Architect Labs 称，运行在 Redwood 之上的模型，已经发现了该加速器本身在时序、内核方面的优化点。

总结： 这件事更大的意义不在于和英伟达某款边缘设备的跑分对比，而是硬件开发有望像软件开发一样：支持迭代开发、面向特定业务负载，开发周期以周计而非以年计。Redwood 目前还不能证明 AI 可以完整替代从设计到量产流片的全部环节，但它提供了一次具象的实践，用来检验 AI 究竟能多大程度压缩芯片设计周期、降低芯片设计门槛。