ИИ в чипмейкинге перестал быть красивой демкой для конференций: OpenAI, Google, Nvidia и стартап Architect Labs уже используют модели в реальных этапах проектирования микросхем. Главное изменение не в том, что «машины начали создавать машины», а в том, что AI всё чаще получает доступ к тем частям процесса, где раньше сидели дорогие, редкие и очень занятые инженеры.
В конце августа Architect Labs заявила, что её ускоритель Redwood почти полностью разработан ИИ, сообщает Tom's Hardware. Формулировка звучит громко, но требует холодной воды: чип не прошёл tapeout и не выпускался как ASIC. Сейчас Redwood работает на FPGA, а заявленное преимущество в 3,4 раза по производительности на ватт над Nvidia Jetson Orin Nano основано на прогнозной реализации в техпроцессе Samsung 8LPP.
Тем не менее история важная. Два человеческих архитектора, по словам Architect Labs, задали спецификацию, после чего AI-система сгенерировала и проверила логику, подготовила RTL, провела верификацию и сделала firmware. ИИ также помогал с программной частью — драйверами и kernels. Компания называет это machine learning co-design и утверждает, что система способна исследовать архитектурные варианты. Подробностей мало, поэтому здесь лучше держать руку на скепсисе: FPGA-прототип и серийный ASIC — разные виды боли.
Чтобы понять масштаб сдвига, полезно вспомнить, с чего всё начиналось. В начале 2020-х Cadence, Synopsys, Siemens EDA и Ansys начали добавлять машинное обучение и reinforcement learning в EDA-инструменты. Эти системы не «придумывали» процессор. Они брали готовый дизайн, набор ограничений и цели по PPA — power, performance, area — и перебирали варианты floorplanning, placement и routing. Грубо говоря, AI помогал лучше разложить уже придуманную схему на кремнии, быстрее пройти итерации и сэкономить инженерное время.
Теперь планка выше. Генеративные модели уже могут писать или менять RTL-код, помогать с verification code, читать отчёты, искать подозрительные места и предлагать исправления. Агентные системы идут ещё дальше: запускают несколько EDA-инструментов, анализируют результат, меняют параметры дизайна, снова прогоняют симуляцию и повторяют цикл до достижения заданных целей. Это уже не просто «умный автоподбор настроек», а автоматизация куска инженерного workflow.
Разница между игроками здесь принципиальна. Google DeepMind использовала AlphaChip для floorplanning в трёх поколениях TPU. Это серьёзно, но относительно аккуратно: AlphaChip размещает блоки и оптимизирует layout, а не изобретает архитектуру TPU с нуля. Nvidia выглядит интереснее: компания обучает внутренние модели на собственном RTL, документации и накопленной инженерной базе по GPU, AI-ускорителям, CPU, DPU и сетевым картам. Такой набор данных недоступен обычному поставщику EDA, и именно он превращает корпоративную инженерную память в конкурентное преимущество.
Самый сильный пример с реальным кремнием — Jalapeño от OpenAI. Компания раскрывала, что ИИ участвовал в implementation, design-space exploration, verification loops и оптимизации арифметических блоков. По данным OpenAI на Hot Chips, AI-assisted design улучшил BF16 multiplier на 56%, FP4 dot-product block — на 21%, FP32 accumulator — на 10%, а площадь matrix и SIMD units сократилась на 10% и 8% соответственно. От первого дизайна до tapeout проект дошёл за девять месяцев. Но OpenAI не заявляла, что ИИ придумал архитектуру Jalapeño: базовые решения остались за людьми.
Для разработчиков и IT-бизнеса это не абстрактная полупроводниковая экзотика. Чем быстрее компании смогут проектировать специализированные ASIC и ускорители, тем сильнее изменится экономика AI-инфраструктуры. Сейчас рынок упирается не только в модели и дата-центры, но и в доступность чипов, энергопотребление, стоимость inference и зависимость от нескольких поставщиков. Если AI ускоряет проектирование железа, кастомные ускорители могут появляться чаще — под конкретные модели, workloads и бизнес-задачи.
Для инженеров вывод тоже прозаичный: профессия не исчезает, но зона ручной работы сжимается. Люди всё ещё формулируют, что должен делать чип, какие компромиссы допустимы и где проходит граница между красивым benchmark и производимым silicon. ИИ в чипмейкинге пока лучше всего справляется с итерациями, оптимизацией и рутинной инженерной навигацией по сложным инструментам. Вопрос на ближайшие годы не в том, заменит ли он архитектора, а в том, кто первым научится превращать накопленные дизайн-данные в системное преимущество.