AI两週造出真晶片！OpenAI惊爆「人类看不懂AI程式码」、辉达CUDA护城河面临新挑战

人工智慧（AI）正在快速改变软体与硬体开发方式。SemiAnalysis近期披露，OpenAI在自研AI晶片的底层软体开发过程中，已大量利用AI生成低阶程式码，甚至出现人类工程师无法完全理解AI所产生程式逻辑的情况。

与此同时，AI硬体设计领域也出现类似突破。Architect Labs最新研究论文Redwood: A Frontier AI Accelerator Designed, Verified, and Deployed from Scratch in 2 Weeks by AI显示，团队仅由2名人类工程师负责提供高阶架构规格，其余硬体设计、验证、韧体及底层程式开发，均交由AI系统完成，并在不到2週内让AI加速器实际部署到FPGA硬体、执行开源大型语言模型。

‌

这两项进展凸显的并非单纯AI协助工程师写程式，而是AI正逐步从工具转变为软硬体系统的实际设计者。

SemiAnalysis：OpenAI底层程式码已大量交由AI生成

根据半导体与AI产业分析机构SemiAnalysis的披露，OpenAI在开发自研AI晶片的过程中，已将部分最底层的加速核心交由AI生成。

SemiAnalysis指出，OpenAI在Triton之上建立了名为Gluon的低阶核心程式语言，用于更直接地控制AI加速器硬体；其中涉及複杂硬体指令的程式码，已大量由AI自动生成。

这也让传统软体工程的一个基本前提开始出现变化，即程式码或许不一定要由人类逐行理解，才能被视为可靠？

SemiAnalysis披露的案例显示，OpenAI工程师在检视AI生成的底层程式码时，并不一定能逐行解释其如何调动硬体资源，但相关程式码仍可透过测试与效能验证被纳入系统。

换言之，工程师的工作重心正逐步从亲自撰写每一行程式，转向规格制定、测试、验证以及确认AI生成结果是否符合预期。

这种模式与传统软体开发存在明显差异，也凸显AI生成程式码日益複杂后，如何维持可理解性与可验证性，可能成为新的工程问题。

Architect Labs更进一步：AI两週完成一颗加速器

如果说OpenAI案例主要发生在软体层面，Architect Labs的Redwood计画则进一步将AI带入硬体设计。

根据论文，Redwood的开发由2名人类架构师负责提供高阶规格，AI系统则接手后续工作，包括效能建模、RTL（暂存器传输层）程式码生成、验证环境、形式验证、韧体以及底层核心程式等。

研究团队表示，在高阶规格确定后，后续流程不需要人工介入，整套系统在不到两週的时间内完成。

这与传统晶片开发流程形成强烈对比。过去从架构设计、RTL开发、验证到硬体部署，需要大量不同领域工程师共同参与，规格变更也可能导致重新设计与验证。

Redwood则试图让AI直接串起这些开发环节。

Redwood计画另一项受到关注的能力，是对架构修改的反应速度。

论文指出，当高阶规格发生变更后，AI可以重新生成相关设计、进行验证，最后重新部署到硬体，整个流程最快约48小时完成。

研究团队在开发高峰期观察到，系统一天可以自动合併115次硬体变更，模组覆盖率达95%，且首版交付实现 0 Bug。

这代表AI带来的改变不只是缩短第一次设计的时间，也可能大幅降低硬体设计反覆修改所需要的成本与时间。

Redwood并非停留在电脑模拟环境。

研究团队将Redwood Nano部署至AMD Xilinx Versal FPGA平台，并实际执行开源大型语言模型。

根据测算，若将Redwood转换为同等製程的ASIC晶片，其在端侧实体 AI（Physical AI）与低功耗场景下的能效比，直接达到了辉达边缘运算旗舰Jetson的 3.4 倍。

AI开始参与下一代晶片设计

更值得注意的是，Redwood计画并没有停留在AI设计第一代晶片。

研究团队表示，执行在第一代Redwood硬体上的开源AI模型，也开始参与下一代晶片的架构探索与程式码生成。

这代表AI不再只是晶片的执行对象，也开始成为晶片设计流程的一部分。

如果这种模式能够持续扩大，便可能形成AI设计晶片、晶片提供更多AI算力、AI再利用新增算力设计下一代晶片的循环。

这也是Redwood研究最具长期想像空间的地方。

CUDA护城河是否因此被打破？目前仍言之过早

这类AI自动化硬体设计，也让外界重新思考辉达长期建立的CUDA生态系优势。

辉达的竞争力不只来自GPU硬体本身，CUDA所建立的软体工具、函式库、开发环境及庞大开发者生态，同样是其AI市场地位的重要支柱。

而AI自动完成软硬体协同设计，理论上可以让开发者不必完全依赖传统人工最佳化流程，而是由AI直接针对特定硬体架构产生更底层的程式码。

不过，Redwood目前仍属研究计画，且主要针对特定低功耗、端侧AI工作负载，距离全面挑战辉达GPU及CUDA生态仍有相当距离。

因此，与其说CUDA的20年护城河已经被破解，更精确的说法是：AI正在提供一种可能降低软硬体开发门槛的新路径。