Architect Labs heeft Redwood gepresenteerd, een AI-accelerator die vrijwel volledig autonoom is ontworpen, geverifieerd en geïmplementeerd door een AI-systeem. Het proces van specificatie naar een werkend ontwerp nam minder dan twee weken in beslag.
De traditionele ontwikkeling van hardware loopt vaak achter op de snelheid waarmee AI-modellen evolueren. Volgens een publicatie op arxiv.org duren architecturale definities vaak jaren voordat ze in massaproductie gaan, terwijl de workloads waarvoor ze bedoeld zijn al binnen enkele maanden veranderen. Om dit gat te dichten, heeft Architect Labs een systeem ontwikkeld dat de volledige stap van software naar silicium samenvoegt in één optimalisatiecyclus.
Autonoom ontwerp en verificatie
Het ontwerp van Redwood begon met een high-level specificatie die werd opgesteld door twee menselijke architecten. Vanaf dat punt nam het AI-systeem het proces volledig over zonder verdere menselijke tussenkomst. In minder dan twee weken genereerde het systeem autonoom het prestatiemodel, het RTL-ontwerp, UVM-omgevingen, formele bewijzen, firmware en de benodigde kernels.
Een cruciaal onderdeel van dit proces was de verificatie. Volgens dair.ai is hardware-ontwerp een van de zwaarste tests voor agentische AI, omdat de resultaten fysiek implementeerbaar en formeel controleerbaar moeten zijn. In het geval van Redwood bereikte elk blok een dekking van 95%, waarbij gebruik werd gemaakt van commerciële EDA-tools, een eigen formele engine en hardware-in-the-loop validatie. Bovendien konden wijzigingen in de specificaties binnen 48 uur opnieuw worden geverifieerd en naar de hardware worden uitgerold.
Prestaties en implementatie
Op dit moment bestaat Redwood in de vorm van 'Redwood Nano', een variant die is geïmplementeerd op een FPGA (Field Programmable Gate Array). Deze versie is in staat om multi-miljard parameter modellen, zoals Llama en Qwen, live uit te voeren.
Er is echter een belangrijk onderscheid tussen de huidige FPGA-implementatie en de theoretische prestaties van een fysieke chip. Zo meldt coursiv.io dat de huidige FPGA-versie trager is dan de NVIDIA Jetson Orin Nano. De veelbelovende cijfers over efficiëntie zijn gebaseerd op projecties. Wanneer het ontwerp wordt geprojecteerd op een Samsung 8 nm-proces, claimt architectlabs.com dat Redwood een 1,75x hogere doorvoer levert bij een 1,9x lager energieverbruik. Dit zou resulteren in een winst van 3,4x in prestaties per watt ten opzichte van de Jetson-baseline.
Stap richting zelfverbetering
Een opvallend aspect van het project is de rol van de AI-modellen die op de hardware draaien. Volgens de ontwikkelaars werd het Qwen-model, dat op Redwood draaide, via een API-endpoint ingezet om het ontwerp van de volgende generatie Redwood te optimaliseren. Architect Labs beschrijft dit als een vroege stap richting 'recursieve zelfverbetering', waarbij AI helpt bij het optimaliseren van de siliciumhardware die de AI vervolgens weer aandrijft.
Het project wordt gepresenteerd als de eerste productie-waardige AI-accelerator die end-to-end door een AI-systeem is ontworpen en in staat is om moderne, grootschalige AI-modellen te draaien, zoals verder uitgewerkt op arxivlens.com.