Immagine copertina generata con l’intelligenza artificiale
L’intelligenza artificiale sta entrando sempre più nel cuore della progettazione dei semiconduttori. Non si tratta più soltanto di utilizzare l’AI per accelerare singole operazioni: i sistemi più avanzati sono oggi in grado di generare codice RTL, verificare i progetti, utilizzare strumenti EDA e analizzare autonomamente i risultati, avvicinando il settore a una fase in cui il silicio contribuisce a progettare i chip destinati alle generazioni successive.
Il fenomeno coinvolge i principali strumenti di progettazione elettronica, ma anche progetti concreti come Jalapeño di OpenAI e Redwood di Architect Labs. L’obiettivo non è ancora affidare alle macchine l’intera progettazione di un processore, ma aumentare progressivamente la parte del processo che può essere automatizzata.
Software EDA: come l’intelligenza artificiale accelera la progettazione
I primi strumenti EDA potenziati dall’AI sono comparsi già all’inizio degli anni 2020, sviluppati da aziende come Cadence, Synopsys e Siemens EDA, insieme ad Ansys per la simulazione. In origine utilizzavano soprattutto machine learning e reinforcement learning per affrontare problemi di ottimizzazione ben definiti.
Partendo da un progetto e da determinati vincoli, questi sistemi potevano esplorare numerose configurazioni per migliorare potenza, prestazioni e area (PPA), riducendo il numero di iterazioni necessarie.
Oggi il livello di automazione è maggiore. L’AI generativa può scrivere o modificare codice RTL e di verifica, mentre i sistemi agentici possono utilizzare diversi strumenti EDA, analizzare i risultati, individuare problemi, modificare il progetto e avviare una nuova simulazione. Il processo può quindi ripetersi con un intervento umano sempre più limitato.
OpenAI e Jalapeño: l’AI entra nel cuore del chip
Tra gli esempi più significativi c’è Jalapeño di OpenAI, nel quale l’AI è stata impiegata direttamente nell’implementazione, nell’esplorazione dello spazio di progettazione, nei cicli di verifica e nell’ottimizzazione dei circuiti aritmetici. Secondo OpenAI, questo contributo ha permesso di arrivare dal progetto iniziale al tapeout in nove mesi.
Durante Hot Chips, OpenAI ha inoltre comunicato alcuni risultati ottenuti rispetto a progetti di riferimento realizzati dagli ingegneri. Un moltiplicatore BF16 ha registrato un miglioramento del 56%, mentre un blocco FP4 dot-product e un accumulatore FP32 hanno ottenuto miglioramenti rispettivamente del 21% e del 10%. L’area delle unità matrix e SIMD è stata invece ridotta del 10% e dell’8%.
OpenAI non sostiene però che l’AI abbia inventato l’architettura di Jalapeño: le decisioni fondamentali sono rimaste affidate agli ingegneri.
Dalla progettazione assistita alle nuove sinergie
Il passaggio verso sistemi più autonomi è visibile anche in altri progetti. Google ha utilizzato AlphaChip soprattutto per il floorplanning, cioè per il posizionamento dei blocchi circuitali e l’ottimizzazione del layout. Google DeepMind ha dichiarato nel 2024 che il sistema era stato impiegato per le tre precedenti generazioni di TPU.
Nvidia, invece, utilizza modelli addestrati sui propri codici RTL, sulla documentazione e sulle conoscenze ingegneristiche accumulate internamente. Questo permette di automatizzare attività tradizionalmente svolte dagli ingegneri hardware, pur senza arrivare a parlare di progettazione completamente autonoma.
Il risultato è una crescente integrazione tra hardware, software e sistemi di AI, con i dati prodotti durante lo sviluppo che diventano a loro volta materiale utile per addestrare nuovi strumenti.
Architect Labs e Redwood: quanto manca all’autonomia
Il caso più radicale descritto da Tom’s Hardware è quello di Architect Labs e del progetto Redwood. Secondo l’azienda, due architetti umani hanno definito le specifiche, mentre l’AI ha generato e verificato la logica, prodotto il codice RTL e il firmware, contribuendo anche allo sviluppo di driver e kernel.
Redwood sarebbe stato realizzato in meno di due settimane e sarebbe in grado di eseguire modelli con oltre un miliardo di parametri. Esiste però una differenza fondamentale rispetto a Jalapeño: Redwood non è ancora stato prodotto come ASIC. Il sistema funziona su FPGA e il vantaggio dichiarato di 3,4 volte in termini di prestazioni per watt rispetto a Nvidia Jetson Orin Nano deriva da una proiezione relativa a una possibile implementazione Samsung 8LPP.
Il futuro del chipmaking: verso un’automazione più ampia
L’evoluzione è quindi evidente, ma non coincide ancora con una progettazione autonoma completa. Solo pochi anni fa l’AI veniva utilizzata soprattutto per trovare modi migliori di implementare architetture definite dagli esseri umani. Oggi può generare RTL, verificare circuiti, gestire strumenti EDA e contribuire all’esplorazione delle architetture.
Il punto centrale resta però il ruolo degli ingegneri: sono ancora loro a stabilire cosa debba essere costruito e quali caratteristiche debba avere il chip. Il settore si sta dunque muovendo verso un modello nel quale le macchine partecipano sempre più direttamente alla progettazione dell’hardware. Compreso quello destinato a far funzionare le future generazioni di AI.
Fonte: Tom’s Hardware
Fonte: Tom’s Hardware
