論文の概要: Redwood: A Frontier AI Accelerator Designed, Verified, and Deployed from Scratch in 2 Weeks by AI

• arxiv url: http://arxiv.org/abs/2608.26418v1
• Date: Wed, 26 Aug 2026 21:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.178885
• Title: Redwood: A Frontier AI Accelerator Designed, Verified, and Deployed from Scratch in 2 Weeks by AI
• Title（参考訳）: Redwood: AIによって2週間でスクラッチから設計、検証、デプロイされたフロンティアAIアクセラレータ
• Authors: Architect Labs,
• Abstract要約: ソフトウェアとシリコンのスタックを1つの最適化ループに分解するエンドツーエンドAIシステムを提案する。 Redwoodは、物理AIのための単一バッチ、低消費電力、超低レイテンシ推論のために開発されたフロンティアAIアクセラレータである。 ジェットソン・オリン・ナノ(Jetson Orin Nano)のプロセスクラスであるサムスンの8nm上にプロジェクションされたレッドウッドは、1.75倍のスループットで1.9倍の電力を供給し、ワット当たりのパフォーマンスは3.4倍向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern AI workloads and the hardware that runs them evolve on different timescales: architectural definition precedes volume silicon by years, while target workloads shift in months. Design decisions are therefore committed under deep uncertainty and paid for twice, once in the generality added as a hedge, and again when new workloads map poorly onto frozen silicon. As Moore's Law stagnates, specialization is the main remaining source of performance-per-watt and demands a design cycle that runs at the cadence of the workloads. We present an end-to-end AI system that collapses the software-to-silicon stack into a single optimization loop, where hardware and software are co-designed and verified under one objective. Its first demonstration is Redwood, a frontier AI accelerator built for single-batch, low-power, ultra-low-latency inference for physical AI. From a high-level specification by two human architects, the system autonomously generated the performance model, RTL design, UVM environments, formal proofs, firmware, and kernels in under two weeks with no human intervention below the specification. Every block reached 95% coverage via commercial EDA tools, our proprietary formal engine, and hardware-in-the-loop validation. Specification changes were reverified and redeployed to hardware in under 48 hours. Redwood Nano, its ultra-low-power FPGA variant, runs multi-billion-parameter models like Llama and Qwen. Projected onto Samsung 8 nm, the Jetson Orin Nano's process class, Redwood delivers 1.75x the throughput at 1.9x lower power, a 3.4x performance-per-watt gain against a measured Jetson baseline on the same models. Qwen running on Redwood also helped design next-generation Redwood, an early step toward recursive self-improvement. To our knowledge, this is the first production-worthy AI accelerator designed end-to-end by an AI system and running a modern AI model.
• Abstract（参考訳）: 現代のAIワークロードとそれらを実行するハードウェアは、さまざまな時間スケールで進化している。 したがって、設計決定は深い不確実性の下で実行され、ヘッジとして追加された一般性と、新たなワークロードが凍結シリコンに不適切なマッピングを行う場合の2倍の費用が支払われる。 ムーアの法則が停滞しているように、特殊化は1ワット当たりのパフォーマンスの主要な源であり、ワークロードのケイデンスで実行される設計サイクルを要求する。 ソフトウェアとシリコンのスタックを単一の最適化ループに分解し、ハードウェアとソフトウェアを1つの目的の下で共同設計し検証するエンドツーエンドAIシステムを提案する。 その最初のデモは、物理AIのための単一バッチ、低消費電力、超低レイテンシ推論のために作られた、フロンティアAIアクセラレータRedwoodだ。 2人のヒューマンアーキテクトによるハイレベルな仕様から、システムは、パフォーマンスモデル、RTL設計、UVM環境、正式な証明、ファームウェア、カーネルを、2週間以内に自動生成し、その仕様の下に人間の介入は無かった。 各ブロックは商用のEDAツール、プロプライエタリな形式エンジン、ハードウェア・イン・ザ・ループの検証を通じて95%のカバレッジに達しました。 仕様変更は標準化され、48時間以内にハードウェアに再デプロイされた。 超低消費電力FPGAのRedwood Nanoは、LlamaやQwenのようなマルチビリオンパラメータモデルを実行している。 サムスンの8nm(Jetson Orin Nanoのプロセスクラス)にプロジェクションされたレッドウッドは、1.75倍のスループットを1.9倍の低消費電力で提供し、同じモデルで計測されたJetsonベースラインに対して3.4倍の性能向上を実現した。 レッドウッドでのクウェンの走行は、再帰的な自己改善に向けた初期のステップである次世代のレッドウッドの設計にも役立った。 私たちの知る限り、これはAIシステムによってエンドツーエンドに設計され、モダンなAIモデルを実行する、生産価値の高いAIアクセラレータとしては初めてのものです。

関連論文リスト

• Improving Autonomous Nano-drones Performance via Automated End-to-End Optimization and Deployment of DNNs [16.339855473306475]
  我々は,ナノUAVの自律航法のための最先端CNNであるPULP-Dronetの展開に着目する。 従来の手作りCNNと比較すると,メモリフットプリントの2倍,推論時間の1.6倍の高速化が見られた。 新しいアプリケーションと将来の研究を促進するため、私たちはすべてのソフトウェア設計をCrzyflie 2.1と互換性のあるプロジェクトとしてオープンソースにしました。
  論文  参考訳（メタデータ） (2026-07-14T10:12:15Z)
• GENIUS: An Agentic AI Framework for Autonomous Design and Execution of Simulation Protocols [32.505127447635864]
  GENIUSは、スマート量子ESPRESSO知識グラフと有限状態エラー回復マシンによって管理される大規模言語モデルの階層構造を融合するAIエージェントワークフローである。 GENIUSは、フリーフォームの人為的なプロンプトを検証済みの入力ファイルに変換し、295の多様なベンチマークの80%の$approxで実行し、76%が自律的に修復され、成功は指数関数的に7%のベースラインに崩壊する。 このフレームワークは、プロトコル生成、検証、修復をインテリジェントに自動化して電子構造DFTシミュレーションを民主化し、大規模なスクリーニングとICME設計ループを世界中の学界や業界に開放する。
  論文  参考訳（メタデータ） (2025-12-06T11:28:35Z)
• DeepThinkVLA: Enhancing Reasoning Capability of Vision-Language-Action Models [51.76664843721462]
  DeepThinkVLAはVision-Language-Actionモデルのための新しいアーキテクチャである。 因果的注意を伴うシーケンシャルCoTを生成し、双方向の注意に切り替え、アクションベクトルを高速に復号する。 LIBEROベンチマークで97.0%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-10-31T05:26:16Z)
• GR00T N1: An Open Foundation Model for Generalist Humanoid Robots [133.23509142762356]
  汎用ロボットには多目的体と知的な心が必要だ。 近年のヒューマノイドロボットの進歩は、汎用的な自律性を構築するためのハードウェアプラットフォームとして大きな可能性を秘めている。 我々はヒューマノイドロボットのオープン基盤モデルであるGR00T N1を紹介する。
  論文  参考訳（メタデータ） (2025-03-18T21:06:21Z)
• On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors [53.59319391812798]
  SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。 彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。 未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。 本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
  論文  参考訳（メタデータ） (2024-03-06T22:04:14Z)
• Merino: Entropy-driven Design for Generative Language Models on IoT Devices [17.319634176922804]
  モバイルフレンドリーな生成言語モデルを設計するための新しい情報エントロピーフレームワークを提案する。 設計手順全体は、数理プログラミング(MP)問題を解くことを含み、数分でCPU上で実行でき、ほとんどコストがかからない。 我々は,14のNLPダウンストリームタスクにおいて,MeRinoと呼ばれる設計モデルを評価し,モバイル環境下での最先端の自己回帰変換モデルとの競合性能を示した。
  論文  参考訳（メタデータ） (2024-02-28T03:20:27Z)
• Pushing the Limits of Machine Design: Automated CPU Design with AI [17.94195761659386]
  我々は、中央処理ユニット(CPU)を自動設計する新しいAIアプローチを提案する。 このアプローチは、正式なプログラムコードではなく、外部の入出力観測のみから回路論理を生成する。 これまでにない大きさの1010540のサーチスペースを探索することで、我々の最もよく知られたマシン設計オブジェクトの1つであり、我々のアプローチは、わずか5時間で産業規模のRISC-V CPUを生成する。
  論文  参考訳（メタデータ） (2023-06-21T05:50:33Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Machine Learning-Based Automated Design Space Exploration for Autonomous Aerial Robots [55.056709056795206]
  自律飛行ロボットのためのドメイン固有のアーキテクチャの構築は、オンボードコンピューティングを設計するための体系的な方法論が欠如しているため、難しい。 F-1ルーフラインと呼ばれる新しいパフォーマンスモデルを導入し、アーキテクトがバランスの取れたコンピューティングシステムを構築する方法を理解するのを助ける。 サイバー物理設計空間を自動でナビゲートするために、AutoPilotを導入します。
  論文  参考訳（メタデータ） (2021-02-05T03:50:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。