AIがゼロからCPUを設計:Frostbiteが4.59倍のエネルギー効率向上を実現、ただしテープアウト未完了

2026年11月19日、AIインフラ企業Architect Labsは公式ブログにてFrostbiteを発表した。同社はこれを、AIシステムが理論から出発し、命令セットアーキテクチャ(ISA)の定義、マイクロアーキテクチャ設計、RTL実装、形式検証からGDSレイアウト生成まで全工程を自律的に完了した初の汎用CPUと主張している。25項目のワークロードによるベンチマークテスト(うち15項目は最終評価前にAIシステムから秘匿)において、Frostbiteはシリコン検証済みの現代的な2発行順序実行スーパースカラーCPUコアと比較し、幾何平均で4.59倍のエネルギー効率比、および8.77倍の面積効率を達成した。

4.59倍は全25項目テストの幾何平均である。探索用テストセットでは6.02倍の向上を達成した一方、ホールドアウトテストセットでは3.83倍に低下した。この差異は、AIの最適化が既知のベンチマークに対して一定の過適合効果を持つことを示しているが、未知のタスクに対しても実質的な優位性を維持している。比較基準は「シリコン検証済みの現代的な2発行順序実行スーパースカラーコア」であり、この説明は一般的に組み込みまたはモバイル向けプロセッサに相当し、IntelやAMDのハイエンドアウトオブオーダー多発行設計ではない。Architect Labsは、今後SPEC/PARSECなどの業界標準ベンチマーク、および幅広く深いアウトオブオーダープロセッサとの横断比較に拡張する計画を示している。

インタラクションネット:30年間主流アーキテクトに無視され続けた数学理論

Frostbiteが構造的に既存CPUと根本的に異なる理由を理解するには、まずその理論的基盤を理解する必要がある。インタラクションネット(interaction nets)はプログラム表現手法の一種であり、1990年代の計算理論研究に起源を持つ。このモデルでは、プログラムは順序実行される命令ストリームではなく、ノードグラフとして表現される。計算はローカルな書き換えによって進行し、2つのノードがそれぞれのメインポートを通じて接続された際に書き換えがトリガーされ、新たなノードグラフのローカル構造が生成される。

この性質はハードウェア設計に非常に親和性の高い3つの特徴をもたらす。第一に、各書き換えはグラフのローカル領域のみに関与し、互いに干渉しない。第二に、ノード間の依存関係はグラフ構造に完全に明示的にエンコードされており、実行時の推論が不要である。第三に、各値はただ一つの所有者を持ち、共有可変状態が存在しない。これら3つの性質を合わせると、独立したノードペアは同時に書き換え可能であり、ロック、トランザクショナルメモリ、またはコヒーレンスプロトコルが一切不要となる。

現代の主流CPUが抱える困難はまさにその逆である。C/C++/Javaなどの言語からコンパイルされたプログラムは命令間の真の依存関係を本質的に隠蔽しており、いかなる変数もどこからでも読み書き可能である。プロセッサは実行時に動的にどの命令が真に相互依存しているかを再発見し(これがアウトオブオーダー実行の本質)、すべてのコアが同一のメモリ状態を参照できるようキャッシュコヒーレンスプロトコルを維持しなければならない。この仕組みが従来CPUの面積と消費電力予算の大部分を消費している。従来のスーパースカラーCPUのオンチップ電力分布は、ストレージアクセスに約57%、フェッチ/デコード/スケジューリングに27%が充てられ、実際の演算に使われるのはわずか13%に過ぎない。これに対しFrostbiteの分布は、ストレージ38%、フェッチ/デコード/スケジューリング6%、演算16%、オンチップネットワークとスケジューラ26%となっており、後者はインタラクションネットモデル自体の通信オーバーヘッドを反映しているが、フロントエンドの肥大化は大幅に圧縮されている。

AIがいかにしてCPU全体を設計したか

Architect Labsの前プロジェクト「Redwood」では、与えられたアーキテクチャ仕様の下でAIシステムが推論アクセラレータのRTL実装と検証を自律的に完了できることが実証された。Frostbiteはさらに一歩踏み込んでいる。AIシステムの出発点はインタラクションネットの数学理論のみであり、ISA設計、マイクロアーキテクチャの意思決定、RTL実装のすべてをAIが自律的に探索した。

設計プロセス全体は4つの探索サイクルに分かれており、AIシステムは合計58のアーキテクチャ候補を探索し、最終的に37を保持した。この大規模な反復を可能にするため、チームは2つの重要なツールを構築した。一つはASLと呼ばれる形式言語であり、機械検証可能なアーキテクチャ仕様の記述に使用されるもので、このプロジェクトでは累計80万行を超えるLean定理証明が生成された。もう一つはArcmodelと呼ばれるアーキテクチャレベルのシミュレータであり、従来のRTLシミュレーションより660倍高速でありながら、消費電力予測精度は1〜5%以内に収まっている。

最終的な物理的形態は4×4の合計16の演算タイル(tile)からなるメッシュ構造であり、単一のquadとL3キャッシュクラスタの面積は0.792平方ミリメートル、7nmプロセスノードを採用し、論理合成段階でのクロック周波数は800 MHz、最終GDSレイアウトでは500 MHzとなっている。Frostbiteは従来のキャッシュ階層、メモリアクセスキュー、キャッシュコヒーレンスプロトコルを完全に廃止し、インタラクションネットモデル自体の共有状態なし特性に依拠している。

Architect Labsのチームが事後にAIが発見したアーキテクチャプリミティブを検証した際、彼らは「驚きを感じた」と述べている。その中には、人間のアーキテクトが能動的に思い至ることが困難なハードウェア実装手法やランタイム特性が含まれていた。これはAIによる設計空間の探索が単に既存の手法を再現するものではなく、人間にとって広大すぎる設計空間の中で新たな経路を見出したことを示唆している。

誰がどの程度影響を受けるか

チップEDAツールベンダーにとって、Frostbiteが示した設計プロセスは従来のEDAソフトウェアの位置づけに直接挑戦するものである。Arcmodelのようなツールがアーキテクチャ評価を660倍高速化することは、従来数ヶ月を要していた設計反復サイクルが数日に短縮可能であることを意味する。SynopsysやCadenceなどの企業の中核的な競争優位性——高精度シミュレーションと論理合成ツール——は、AI駆動の高速反復の前でビジネスモデルの再考を迫られる。

プロセッサメーカーにとって、現時点での直接的な脅威は限定的だが、長期的なシグナルは明確である。Frostbiteの現在の比較基準は2発行順序実行スーパースカラーコアであり、Intel Core UltraやAMD Zenシリーズの性能領域にはまだかなりの距離がある。より重要な問いは、AIシステムがアウトオブオーダースーパースカラー設計と競合させられた場合、あるいはデータセンター向けRISC-Vシナリオで展開された場合に、この方法論を再現できるかどうかである。Architect Labsはこの設計プロセスをデータセンターCPU、AIアクセラレータ、ネットワークスイッチチップ、NICなど様々なチップに展開可能と主張しているが、これは戦略的声明であり、検証済みの結論ではない。

プログラミング言語とソフトウェアツールチェーンへの影響は、経路が最も長く不確実性も最も高い。FrostbiteはVineと呼ばれるプログラミング言語を使用してインタラクションネットプログラムをコンパイルするため、既存のC/C++/Rustなどのソフトウェアエコシステムはそのまま動作しない。この互換性の障壁は汎用コンピューティングにおいて実質的な障害となるが、AI推論や科学計算などの特定の垂直領域では回避しやすくなる可能性がある。

開発者と研究者にとって、Frostbiteは価値ある実験的結論を提供している。理論計算機科学の分野では30年以上存在しながら、ハードウェア分野では長らく無視されてきたインタラクションネットというモデルが、AI支援によるフルスタック協調最適化の下で、定量的に測定可能なハードウェア上の利益に転換できることが示された。この点だけでも、インタラクションネットのコンパイル、ランタイムシステム、メモリモデルに対する学術界の新たな関心を喚起するには十分である。

現状の限界と未検証の課題

第一に、FrostbiteはGDSレイアウト段階にのみ存在しており、テープアウトによる製造はまだ完了していない。すべての性能データはシミュレーションに基づくものであり、実際のチップ測定によるものではない。GDSからテープアウト、さらに量産に至るまでには、多くのエンジニアリング上および経済上の変数が存在する。第二に、比較基準の選択が数値の解釈に影響する。4.59倍は「2発行順序実行」コアとの比較であり、主流のデータセンターCPUはすでに深いアウトオブオーダー、広発行の設計となっている。第三に、ワークロードのカバレッジが限定的であり、Architect Labs自身もSPEC/PARSECなどのより包括的な標準テストセットでの検証が必要と認めている。

戦略的展望(以下は分析的判断であり、検証済みの事実ではない)

Frostbiteの最も重要な意義は、この具体的なCPUそのものではなく、一つの方法論を検証したことにあるかもしれない。数学モデルと高速評価ツールが与えられれば、AIは人間が網羅困難な設計空間の中で非直感的な解決策を発見できるということである。このパラダイムが再現可能であれば、チップ設計における競争上の障壁は「トップクラスのアーキテクトを有しているか」から「十分に高速なAI探索インフラを有しているか」へと部分的にシフトするだろう。

近期において追跡すべき2つのシグナルがある。一つは、Architect LabsがFrostbiteのテープアウトを公表するかどうか、そしてテープアウト結果とシミュレーションの一致度である。もう一つは、同じ設計プロセスを実際の展開価値がより高いシナリオ——例えばAI推論アクセラレータのISA層最適化——に適用するかどうかである。このようなタスクはソフトウェアエコシステムの参入障壁が汎用CPUよりはるかに低く、性能向上の商業的経路も明確である。これら2点が今後1〜2年以内に肯定的に検証されれば、現在の「設計シミュレーション」というマイルストーンは真の意味での産業パラダイムシフトへと昇格するだろう。