image: 面向全自动处理器芯片设计的潜在技术框架，包含三个核心组件： a）基于处理器领域知识的大语言模型，用于理解需求并生成初始设计； b）基于功能验证的自动修复机制，用于保证设计的正确性； c）基于性能反馈的自动化搜索机制，用于应对超大规模设计解空间问题 view more
Credit: ©《中国科学》杂志社
处理器芯片是数字世界的基本“引擎”，支撑着从智能手机、个人计算机，到云服务器和物联网（IoT）设备等各种系统的运行。随着算力需求持续攀升，芯片设计正成为关键瓶颈：流程缓慢、成本高昂，且严重依赖稀缺的专业人力。
在《国家科学评论》（National Science Review）发表的一篇前瞻文章中，中国科学院计算技术研究所处理器芯片全国重点实验室的研究人员指出，单纯的局部自动化已难以满足需求。他们呼吁构建一种面向“全自动处理器芯片设计”的新范式，使系统能够从高层功能需求出发，自动生成经过验证的高性能软硬件栈。
传统电子设计自动化（EDA）工具以及近年来的AI方法，已在逻辑综合、布局布线和设计空间搜索等流程环节显著提速。然而，大多数现有的AI驱动方法仍仅在传统流程内充当局部优化器，只能提升某些阶段的效率，无法从根本上改变整个芯片的构思与构建方式，因而难以跟上指数增长的需求和复杂度。
作者指出，目前迈向全自动处理器设计仍面临三大核心挑战：
1. 需求理解（Specification comprehension）
在实际项目中，处理器设计需求通常为非结构化、甚至含糊的自然语言描述，而现有工具则依赖精确的形式化输入，如 C/C++ 或 Verilog、VHDL 等硬件描述语言（HDL）。弥合两者之间的差距仍需要大量专家介入。
2. 正确性保障（Correctness guarantee）
处理器芯片必须满足极高的正确性标准。例如，现代CPU的功能验证目标可高达 99.99999999999% 或更高。然而大语言模型（LLM）基于概率生成机制，无法直接满足此类确定性工程要求。
3. 巨大的解空间（Enormous solution space）
处理器设计涵盖基础软件、逻辑与电路设计以及物理实现。若以比特流级建模，其解空间将呈天文数量级。例如，一个32位CPU的潜在设计空间规模可达约 10^10^540。
为解决这些挑战，文章提出了一个以领域化“处理器芯片大模型”（Large Processor Chip Model）为核心的三部分框架：
（1）面向需求理解的领域大模型
第一个组件是针对处理器设计数据进行训练的领域大语言模型，用于读取自然语言需求、消除歧义，并生成初始的形式化设计（如 HDL 描述）。由于处理器设计的高质量训练数据十分匮乏，作者强调需利用 LLM 的数据合成与交叉验证能力，以自动化方式构建更大规模、更高质量的训练语料库——这一思路在近期增强推理能力的 RTL 设计工作中已展现效果。
（2）基于功能验证的自动修复机制
第二个组件面向正确性。框架并不依赖单一模型输出，而是集成自动化验证工具对中间版本进行检查，并根据反馈修复错误。当验证发现功能缺陷时，系统会回退到先前通过验证的版本，并依据错误信号重新生成相应部分，持续迭代直至完全通过验证。
这一思想已在全自动CPU“启蒙一号”（QiMeng-CPU-v1）中得到验证。该处理器的逻辑采用一种名为“二值猜测图”（Binary Speculation Diagram，BSD）的新型图结构表示，并以布尔距离衡量功能偏差、利用 BSD 展开进行修复。据报道，QiMeng-CPU-v1 的功能正确率可达 99.99999999999% 以上，并成功启动 Linux，展示了正确性驱动自动化的可行性。
（3）在超大设计空间中的性能反馈搜索
第三个组件针对巨大设计空间下的性能优化。作者建议将候选设计组织成分层搜索树，通过在中间节点注入性能预测或真实测量结果，实现劣质分支剪枝，聚焦更有潜力的区域。
类似的“搜索—反馈”思想已在基础软件自动化中得到验证。例如，QiMeng-TensorOp 与 QiMeng-Xpiler 系统利用蒙特卡洛树搜索（MCTS），自动生成高性能张量算子并跨平台转译 tensor 程序。文章认为，将此类性能反馈搜索从软件扩展至完整处理器设计，有望在保证高性能的同时显著缩小有效解空间。
此外，作者指出该全自动框架并非旨在替代现有的 EDA 生态，而是可以通过生成脚本和约束条件来编排和调用成熟的工具（如逻辑优化器、平面规划与布局引擎、形式化验证套件）。在这种模式下，处理器芯片大模型像是站在当今设计工具之上的智能指挥官，通过协调多类工具以实现端到端的自动化流程。
相关机构介绍：
处理器芯片全国重点实验室依托中国科学院计算技术研究所，是中国科学院批准正式启动建设的首批重点实验室之一。实验室学术委员会主任为孙凝晖院士，实验室主任为陈云霁研究员。实验室近年来获得了处理器芯片领域首个国家自然科学奖等6项国家级科技奖励；在处理器芯片领域国际顶级会议发表论文的数量长期列居中国第一；在国际上成功开创了深度学习处理器等热门研究方向；直接或间接孵化了总市值数千亿元的国产处理器产业头部企业。