的算力约束让 OpenAI 面临迭代优先级的艰难抉择，在通往 AGI 的道路上一路高歌猛进的领头 羊似乎撞上了“算力墙”。 除此之外，能耗、资金，难以根除的幻觉，有限的知识更新速率、有限的上下文宽度、高昂 的运营成本等等，都让外界对大模型的发展忧心忡忡。面对棘手的困境与难题，大模型的未来， 又该何去何从呢？ 下一代“明星产品” “算力墙”下，模型效果边际收益递减，训练和运营成本高昂，在这个时间节点，最好的 格式的输 出。在这个定义下，AI 设计芯片的智能化的程度可由覆盖的环节数量来确定，比如：谷歌的 AlphaChip[2]、Cadence 的 iSpatial[3]工作覆盖了布局布线（输入为 RTL，输出为布局布线 后的 Layout）；纽约大学、中科院计算所开展的基于 ChatGPT 设计芯片则覆盖了从规范到 RTL 的整个前端设计环节[4][5]；中科院计算所的启蒙 1 号工作则覆盖了从设计规范到 Exploration，DSE）：第一阶段是前端微架构设计，即探索各种微架构参数的最优组合提高处 理器芯片性能，就如前面提到的苹果 M1 处理器的 630 项 ROB 设计方案；第二阶段为后端 物理设计，即探索不同的布局布线方案，不同的工艺参数提升 PPA；第三阶段是芯片运行过程 中根据软件特征动态调整芯片参数，或者反过来对软件进行优化从而让芯片运行更高效，这是 一种软硬件协同优化思路，例如根据软件负载轻重来动态调整电压频率以降低处理器芯片运行