文章探讨了将自主研究循环应用于CPU架构设计的可能性。作者借鉴Karpathy的自动研究方法，让编码代理在陌生领域（CPU设计）进行优化实验，通过"提出-实施-测量-保留有效方案"的循环，最终实现了91.9%的性能提升，验证了该方法在非传统领域的适用性。

自动架构探索：将Karpathy循环应用于CPU设计

实验概述

该项目将Andrej Karpathy提出的自主研究循环（autoresearch）应用于CPU架构设计领域，挑战了该技术在非传统领域的适用性。实验使用SystemVerilog实现的5级顺序流水线RV32IM核心（无缓存、分支预测器等初始功能），通过自动化循环在9小时51分钟内提出了73个架构假设，最终实现性能提升91.9%。

核心成果

• 基准对比：初始性能2.23 CoreMark/MHz（301 iter/s），最终达到2.91 CoreMark/MHz（577 iter/s）
• 关键优化：包括分支预测器、冷路径DIV/REM单元、存储退休槽等10项被采纳的改进
• 硬件效率：LUT4数量减少40%，时钟频率提升至199MHz
• 超越人工设计：最终性能较VexRiscv基准提升56%

验证体系的价值

实验揭示出： 1. 高错误率：73个假设中63个存在性能回退、ISA破坏或时序问题 2. 验证机制：包含形式验证（53项检查）、协同仿真、三种子布局布线、CRC校验等多重关卡 3. 典型错误案例：包括重复提案、沙箱违规、73%性能回退等各类问题

行业启示

• 验证体系的核心地位：相比可复制的代理循环（模型+提示+工具链），领域特定的验证规则才是真正的竞争壁垒
• 企业应用方向：未来的竞争优势在于能否将业务规则（如ISA规范、账本不变性、FDA标准）转化为可执行的验证体系
• 技术演进：下一步将转向基于种群搜索的优化，并测试优化方案在Embench等其他基准的泛化能力

项目展望

作者强调，真正的创新前沿不在于AI代理本身，而在于构建精确的领域验证体系——这决定了自主系统能否产出可信赖的解决方案。该实验为硬件设计自动化提供了可行性验证，同时揭示了验证体系在AI应用中的关键作用。

（注：原文中的具体技术参数、时间节点和对比数据均予保留，删减了部分重复的失败案例描述和GitHub特有的格式标记）

以下是评论内容的总结：

1. 对验证器价值的认可

   • 评论1和评论8强调了验证器的重要性，认为它是技术发展的前沿。
     • "Salient on the value of the verifier."（评论1）
     • "The frontier is the verifier."（评论8）

2. Karpathy循环的讨论

   • 评论2和评论7介绍了Karpathy的循环方法，即通过LLM生成随机改进并验证效果。
     • "Let the LLM randomly perturbate the system... Repeat"（评论2）
     • "Is this related to autoresearch?"（评论7）

3. 对LLM生成内容的质疑

   • 评论3对LLM生成文档的实用性提出疑问，认为可能需要大量人工干预。
     • "I don't understand why it was written by an LLM."（评论3）

4. 验证器的潜在应用与挑战

   • 评论4和评论9讨论了验证器在医疗等受监管行业的潜在应用及挑战。
     • "what happens to heavily regulated industries like medical?"（评论4）
     • "Seems like this could be applied to many things."（评论9）

5. 实际案例分享

   • 评论6和评论8分享了使用类似方法优化代码和硬件的实际经验。
     • "resulted in 20x throughput improvement."（评论6）
     • "Every single 'improvement' is basically about routing around... bad the Gowin FPGAs are."（评论8）

6. 对FPGA技术的批评

   • 评论8详细批评了Gowin FPGA的设计缺陷，并提出了改进建议。
     • "Gowin FPGAs have extraordinarily bad carry chain..."（评论8）

7. 对验证器实际应用的疑问

   • 评论5提出了关于验证器在实际业务中应用的疑问。
     • "Has anyone actually written a verifier for a business / project?"（评论5）

总结：评论主要围绕验证器的价值、Karpathy循环的方法、LLM生成内容的实用性以及验证器在不同领域的应用展开，既有支持也有质疑，同时包含实际案例和技术细节的讨论。