Architecture 2.0：用 AI 设计循环重塑计算机体系结构

随着 AI 模型与智能体能力的快速提升，计算机体系结构（Computer Architecture）领域正面临一个根本性的反转问题：AI 能为体系结构设计本身做什么？由 Vijay Janapa Reddi 与 Amir Yazdanbakhsh 合著的新书《Architecture 2.0: Designing AI-Assisted Loops for Computing Systems》在前言中系统阐述了这一转向，并提出以「设计循环」（design loop）作为一等公民的架构对象来治理 AI 辅助设计流程。

从「构件稀缺」到「承诺稀缺」

过去数十年，体系结构研究的核心问题是：应当为新型计算构建怎样的机器。如今，能力强大的 AI 系统把问题翻转过来——哪些由 AI 产出的加速器配置、内核方案或物理设计决策值得被相信、比较、采纳甚至承诺投入资源？

作者认为，当候选构件变得廉价且大量涌现时，真正的稀缺资源变成了「承诺」（commitment）。架构师面临的难题不再只是「能否生成一个候选加速器或布局」，而在于：

这些 AI 生成的成果依据什么状态得出；
哪些机制可以否决或拒收它们；
一旦证据出错，由谁来承担责任。

这种「承诺稀缺」是 Architecture 2.0 立论的出发点。

设计循环作为一等对象

全书的核心主张是：必须把「设计循环」与「构件」（artifact）同等看待，作为可治理的一等架构对象。一个合格的 AI 辅助设计循环需要具备以下要素：

可见的状态（visible state），包括工作负载轨迹、设计构件、工具输出、约束条件、被否决的候选方案与失败运行；
明确允许的操作（legal actions）；
证据义务（evidence obligations）；
拒收路径（rejection path）；
由架构师拥有的承诺边界（commitment boundary）。

书中发展出一种「设计循环卡」（design-loop card）作为紧凑的循环记录，用于在循环层面让主张变得可审查、可对照，即使跨系统直接比较仍困难。

借鉴机器学习系统的评测纪律

作者指出，机器学习系统在约十年前曾面临类似处境：模型遍地开花，但主张难以横向比较。最终的解药不是更好的模型，而是测量纪律——共享工作负载、统一定义场景、明确来源与规则，使性能主张在不同系统之间含义一致。MLPerf 即是这一思路的代表。

但作者也提醒，二者存在关键差异：

MLPerf 通过固定输出、只让系统变化来获得可比性，这比「设计循环」所在层级低一档；
MLPerf 引入了对抗性同行评审，允许竞争对手在共享规则下相互否决主张，而自证式的循环卡并不天然具备这一外部审查机制。

因此，MLPerf 在某种意义上已经是「一个被实践过的 Architecture 2.0 循环」——一个带版本号、带来源、带独立拒收权的工作负载包。

数据中心视角与作者立场

全书强调以「数据为中心」（data-centric）的视角看待问题：限制因素不仅在于使用哪个模型或智能体，更在于体系结构工作的哪些部分被变得可观测。作者主张，被记录下来的应当是整个设计循环，而非仅仅那些成功的设计终点。

值得注意的是，本书刻意不是一份「当前 AI 智能体工具与基准的目录」。作者认为相关领域进展过快，任何目录都会迅速过时；其耐久性贡献在于一套原则——让体系结构设计循环具备可表达性、可治理性、可承证性、可拒收性，并随方法进步而持续可改进。

至于谁正在做什么，更新更快的记录应交由围绕这一议题正在形成的社区维护，并以附录 C 的「Architecture 2.0 资源目录」作为持续更新的载体。