AI兩週造出真晶片！OpenAI驚爆「人類看不懂AI程式碼」、輝達CUDA護城河面臨新挑戰

人工智慧（AI）正在快速改變軟體與硬體開發方式。SemiAnalysis近期披露，OpenAI在自研AI晶片的底層軟體開發過程中，已大量利用AI生成低階程式碼，甚至出現人類工程師無法完全理解AI所產生程式邏輯的情況。

與此同時，AI硬體設計領域也出現類似突破。Architect Labs最新研究論文「Redwood: A Frontier AI Accelerator Designed, Verified, and Deployed from Scratch in 2 Weeks by AI」顯示，團隊僅由2名人類工程師負責提供高階架構規格，其餘硬體設計、驗證、韌體及底層程式開發，均交由AI系統完成，並在不到2週內讓AI加速器實際部署到FPGA硬體、執行開源大型語言模型。

這兩項進展凸顯的並非單純「AI協助工程師寫程式」，而是AI正逐步從工具轉變為軟硬體系統的實際設計者。

SemiAnalysis：OpenAI底層程式碼已大量交由AI生成

根據半導體與AI產業分析機構SemiAnalysis的披露，OpenAI在開發自研AI晶片的過程中，已將部分最底層的加速核心交由AI生成。

SemiAnalysis指出，OpenAI在Triton之上建立了名為Gluon的低階核心程式語言，用於更直接地控制AI加速器硬體；其中涉及複雜硬體指令的程式碼，已大量由AI自動生成。

這也讓傳統軟體工程的一個基本前提開始出現變化，即程式碼或許不一定要由人類逐行理解，才能被視為可靠？

SemiAnalysis披露的案例顯示，OpenAI工程師在檢視AI生成的底層程式碼時，並不一定能逐行解釋其如何調動硬體資源，但相關程式碼仍可透過測試與效能驗證被納入系統。

換言之，工程師的工作重心正逐步從「親自撰寫每一行程式」，轉向規格制定、測試、驗證以及確認AI生成結果是否符合預期。

這種模式與傳統軟體開發存在明顯差異，也凸顯AI生成程式碼日益複雜後，如何維持可理解性與可驗證性，可能成為新的工程問題。

Architect Labs更進一步：AI兩週完成一顆加速器

如果說OpenAI案例主要發生在軟體層面，Architect Labs的Redwood計畫則進一步將AI帶入硬體設計。

根據論文，Redwood的開發由2名人類架構師負責提供高階規格，AI系統則接手後續工作，包括效能建模、RTL（暫存器傳輸層）程式碼生成、驗證環境、形式驗證、韌體以及底層核心程式等。

研究團隊表示，在高階規格確定後，後續流程不需要人工介入，整套系統在不到兩週的時間內完成。

這與傳統晶片開發流程形成強烈對比。過去從架構設計、RTL開發、驗證到硬體部署，需要大量不同領域工程師共同參與，規格變更也可能導致重新設計與驗證。

Redwood則試圖讓AI直接串起這些開發環節。

Redwood計畫另一項受到關注的能力，是對架構修改的反應速度。

論文指出，當高階規格發生變更後，AI可以重新生成相關設計、進行驗證，最後重新部署到硬體，整個流程最快約48小時完成。

研究團隊在開發高峰期觀察到，系統一天可以自動合併115次硬體變更，模組覆蓋率達95%，且首版交付實現 0 Bug。

這代表AI帶來的改變不只是縮短第一次設計的時間，也可能大幅降低硬體設計反覆修改所需要的成本與時間。

Redwood並非停留在電腦模擬環境。

研究團隊將Redwood Nano部署至AMD Xilinx Versal FPGA平台，並實際執行開源大型語言模型。

根據測算，若將Redwood轉換為同等製程的ASIC晶片，其在端側實體 AI（Physical AI）與低功耗場景下的能效比，直接達到了輝達邊緣運算旗艦Jetson的 3.4 倍。

AI開始參與下一代晶片設計

更值得注意的是，Redwood計畫並沒有停留在「AI設計第一代晶片」。

研究團隊表示，執行在第一代Redwood硬體上的開源AI模型，也開始參與下一代晶片的架構探索與程式碼生成。

這代表AI不再只是晶片的執行對象，也開始成為晶片設計流程的一部分。

如果這種模式能夠持續擴大，便可能形成「AI設計晶片、晶片提供更多AI算力、AI再利用新增算力設計下一代晶片」的循環。

這也是Redwood研究最具長期想像空間的地方。

CUDA護城河是否因此被打破？目前仍言之過早

這類AI自動化硬體設計，也讓外界重新思考輝達長期建立的CUDA生態系優勢。

輝達的競爭力不只來自GPU硬體本身，CUDA所建立的軟體工具、函式庫、開發環境及龐大開發者生態，同樣是其AI市場地位的重要支柱。

而AI自動完成軟硬體協同設計，理論上可以讓開發者不必完全依賴傳統人工最佳化流程，而是由AI直接針對特定硬體架構產生更底層的程式碼。

不過，Redwood目前仍屬研究計畫，且主要針對特定低功耗、端側AI工作負載，距離全面挑戰輝達GPU及CUDA生態仍有相當距離。

因此，與其說CUDA的20年護城河已經被破解，更精確的說法是：AI正在提供一種可能降低軟硬體開發門檻的新路徑。