A fines de agosto, Architect Labs aseguró haber diseñado un chip desarrollado casi por completo con inteligencia artificial, un hito que la empresa presenta como el primero de la industria. Anton Shilov, de Tom's Hardware, revisó el 29 de septiembre cuánto de ese trabajo hace hoy la IA y cuánto sigue en manos de ingenieros.
La IA ya se usa para optimizar el floorplan, la ubicación y el enrutado, la verificación y otras etapas del desarrollo de semiconductores. La IA generativa ayuda a escribir código RTL, y los sistemas agénticos que empiezan a aparecer pueden operar las herramientas de automatización de diseño electrónico (EDA), analizar resultados, detectar problemas, modificar diseños y repetir el ciclo con cada vez menos intervención humana. Los ingenieros siguen definiendo la arquitectura y tomando las decisiones de fondo sobre qué hace un chip y cómo funciona.
Eso arma un circuito curioso. Los modelos de IA de hoy corren en procesadores diseñados por personas con cada vez más ayuda de la IA, y esos modelos a su vez ayudan a diseñar procesadores más capaces para la siguiente generación. A medida que los proveedores de EDA y los fabricantes le entregan a la IA porciones más grandes del proceso, la industria pasa de personas que usan IA para diseñar chips a sistemas de IA que participan en el diseño del hardware donde correrán sus sucesores.
¿Pueden hoy las máquinas diseñar máquinas? Probablemente no. Si podrán hacerlo en el futuro es una pregunta abierta, y los ingenieros se la hacen desde hace más tiempo del que se cree.
Una breve historia de la IA en el diseño de chips
Cadence, Synopsys y Siemens EDA, los principales desarrolladores de software EDA, junto con Ansys, líder en software de simulación, lanzaron versiones de sus herramientas con IA a comienzos de los años 2020, antes del auge de la IA generativa.
La primera generación usaba sobre todo aprendizaje automático y aprendizaje por refuerzo para resolver problemas de optimización bien acotados. A partir de un diseño existente, un conjunto de restricciones y ciertos objetivos, estas herramientas exploraban muchas opciones de implementación para optimizar la ubicación y el enrutado, y con eso la potencia, el rendimiento y el área (PPA), acortando además el tiempo de desarrollo. La IA encontraba una mejor forma de implementar un diseño, pero el diseño y sus metas los seguían fijando los ingenieros.
Una de sus ventajas era aprender de corridas anteriores y usar esos datos para guiar la exploración siguiente. Eso reducía las iteraciones necesarias para cumplir los objetivos de PPA y, en algunos casos, entregaba resultados que habrían exigido mucho más tiempo de ingeniería con métodos tradicionales. Aun así, su autonomía era limitada. Los ingenieros definían las restricciones, configuraban los flujos, corrían cada herramienta, analizaban la salida y decidían qué probar después.
Las herramientas más recientes apuntan mucho más alto. La IA generativa puede escribir o modificar código RTL y de verificación, analizar reportes, detectar posibles puntos de falla y proponer correcciones. Los sistemas agénticos pueden operar varias herramientas EDA y ejecutar secuencias de tareas con muy poca intervención humana. Un agente así analiza resultados, cambia el diseño o sus parámetros, lanza otra simulación, evalúa el resultado y repite hasta llegar a la meta. La IA pasa de optimizar pasos sueltos dentro de las herramientas a automatizar partes del flujo de desarrollo.
Cuatro empresas, cuatro grados de autonomía
Entre 2023 y 2024, Cadence y Synopsys anunciaron que cientos de diseños de chips se habían completado con sus herramientas con IA, como DSO.ai, VSO.ai y TSO.ai. Varias empresas grandes contaron cómo usaron IA en sus proyectos, pero meter a Google, Nvidia, OpenAI y Architect Labs en el mismo saco es un error, porque representan niveles muy distintos de participación de la IA.
Google y AlphaChip
Google fue de las primeras en anunciar que usaba IA para desarrollar sus aceleradores, y su enfoque parece el menos radical. AlphaChip usa aprendizaje por refuerzo sobre todo para el floorplanning físico. Ubica bloques de circuito y optimiza el layout, pero no inventa el diseño completo ni la arquitectura. Google DeepMind dijo en 2024 que AlphaChip se había usado en las tres generaciones anteriores de TPU, lo que ponía a Google bastante adelante del resto de la industria EDA. La empresa no ha detallado su avance desde entonces.
Nvidia y sus modelos entrenados con su propio RTL
Nvidia es un caso más interesante, porque sus sistemas internos tienden a automatizar trabajo que tradicionalmente hacen los ingenieros de hardware. La diferencia es que entrena modelos especializados con su propio RTL, su documentación y el conocimiento de ingeniería que ha acumulado, algo a lo que un proveedor de EDA externo no tiene acceso. Así convierte los datos detrás de sus GPU, y más recientemente de sus aceleradores de IA, CPU, DPU y tarjetas de red, en material de entrenamiento. Aun así, la propia Nvidia marca una línea clara entre su automatización y el diseño autónomo de chips.
OpenAI y Jalapeño
El Jalapeño de OpenAI es probablemente el ejemplo más sólido con silicio real. OpenAI dice que la IA participó directamente en la implementación, la exploración del espacio de diseño, los ciclos de verificación y la optimización de circuitos aritméticos, lo que le permitió pasar del diseño inicial al tapeout en nueve meses. En Hot Chips, la empresa entregó ventajas concretas de PPA frente a diseños hechos por personas.
| Bloque | Mejora con diseño asistido por IA |
|---|---|
| Multiplicador BF16 | 56% |
| Bloque de producto punto FP4 | 21% |
| Acumulador FP32 | 10% |
| Área de las unidades de matrices | 10% menos |
| Área de las unidades SIMD | 8% menos |
OpenAI no ha dicho que la IA inventara la arquitectura de Jalapeño, así que esa parte siguió en manos humanas. La IA se usó a fondo para llevar esa arquitectura al silicio y optimizarla.
Architect Labs y Redwood
Redwood, de Architect Labs, es cualitativamente distinto. Dos arquitectos humanos definieron la especificación y, según la empresa, su IA generó y verificó la lógica, escribió el RTL, lo verificó y produjo el firmware. La IA también ayudó con el software, incluidos los drivers y los kernels. A diferencia de Google, Nvidia y OpenAI, Architect Labs describe su sistema como uno que hace codiseño con aprendizaje automático y dice que puede explorar arquitecturas, aunque no dio detalles.
Redwood se "produjo" en menos de dos semanas y corre modelos de más de mil millones de parámetros, con una salvedad enorme. Nunca pasó por tapeout ni se fabricó como ASIC. El acelerador corre en una FPGA, y la ventaja declarada de 3,4 veces más rendimiento por watt frente al Jetson Orin Nano de Nvidia se basa en una proyección del diseño en el proceso 8LPP de Samsung.
¿Qué sigue haciendo el ingeniero?
Hace pocos años, la IA en el desarrollo de semiconductores era sobre todo una tecnología de optimización que ayudaba a los ingenieros a implementar mejor diseños hechos por personas. Hoy puede generar RTL, verificar diseños, operar herramientas EDA e incluso explorar opciones de arquitectura, aunque las personas siguen definiendo qué se construye al final.
Para Shilov, los chips ya ayudan a diseñar a sus sucesores, pero todavía no deciden qué deben ser esos sucesores.
