Когда говорят о рекурсивном самоулучшении, обычно имеют в виду программный контур: модель помогает писать код, отлаживать агентов, строить более сильную агентную среду. Затем она ускоряет эксперименты в биологии, химии или робототехнике.
Но есть ещё один контур — более медленный, дорогой и потому особенно важный: ИИ начинает сокращать цикл создания вычислительного оборудования, на котором будет работать следующее поколение ИИ.
Недавний разбор IEEE Spectrum показывает этот контур на примере собственного ИИ-ускорителя OpenAI — Jalapeño. От архитектурной идеи до первого кремния команда прошла менее чем за 20 месяцев; от первого RTL — описания цифровой логики — до отправки проекта в производство прошло девять. В проекте участвовало в среднем меньше ста человек со стороны OpenAI, а физическое проектирование «от вентилей и далее» вёл Broadcom.
Пока это не «модель сама нарисовала чип». Но большие языковые модели оказались полезны там, где проектирование микросхем похоже на разработку программ: в высокоуровневом синтезе, работе с RTL, верификации, поиске и исправлении ошибок, оптимизации кода вокруг чипа. Когда пришёл первый кремний, внутренние модели OpenAI примерно за 40 часов подняли эффективность одного вычислительного ядра с 0,31% до 88,94% теоретического предела.
→ Интеллект уже применяется не только для создания следующей версии программ, но и для более быстрой настройки материального носителя этих программ.
Контур выглядит так:
модели и агенты ускоряют разработку специализированных чипов → новые чипы удешевляют и расширяют вычислительные ресурсы для обучения и работы моделей → более сильные модели помогают ещё быстрее проектировать следующие чипы.
Это не бесконечный ускоритель без трения. Физика по-прежнему имеет последнее слово. Нужно закрывать временные характеристики, разводить межсоединения, производить кремний, упаковывать его, проверять тепловые режимы и выход годных кристаллов. В случае Jalapeño критическую часть работы после логического проекта делал Broadcom — и именно поэтому «ИИ сам спроектировал железо» было бы неверной формулой.
Но граница сдвигается и в более трудных направлениях. Verkor показал агентный конвейер, который по короткой спецификации прошёл путь до цифрового проекта ядра RISC-V. Однако готовый чип ещё не произведён: это результат, проверенный симуляцией и академическим набором технологических правил, а не подтверждённый промышленный кремний. Исследования Princeton идут дальше цифрового RTL — в радиочастотные микросхемы, где приходится одновременно иметь дело со схемотехникой, электромагнетизмом, теплом и компоновкой.
• Пока это не автономная фабрика чипов.
• Но всё больше инженерных итераций — от проверки проекта до анализа дефектов и выхода годных — становятся задачами, где агент может собрать контекст, предложить гипотезы, запустить инструменты и проверить результат.
Компании вроде Emergence AI уже продают именно такую картину для полупроводниковой индустрии: агентные рабочие процессы от верификации до производства. Их публичные заявления ещё не равны независимому доказательству ускорения вывода чипа в производство или роста выхода годных; зато они хорошо показывают направление движения — агенты приходят в процессы, которые определяют цену, сроки и качество вычислительного оборудования.
Технологическая сингулярность не обязана начаться с одной модели, внезапно «ставшей сверхразумной». Она может выглядеть как сцепление множества контуров обратной связи: программ, экспериментов, производства и, наконец, самих вычислительных ресурсов.
Пока этот контур не замкнулся полностью. Но он уже перестаёт быть чистой футурологией.