🧂 Salt OS · 同心圆

还是同一个圆心：一台开机只有一个 AI 的手机。上一环把块号做成「核可写的寄存器」，但跑法仍是软件驱动——4 块矩阵，核要写 4 次块号、发 4 次 RB_GO，还得自己记住下一个块号是几。
真 NPU 的一块权重有几百上千个行块，每块一次 MMIO = 核（软件）成了矩阵扫描的瓶颈。真做法是硬件自己数：给一次启动，引擎把块号自增着扫完整个矩阵，累加器一路长到最后一块，扫完才报 done。这一环把「核喂每块」升级成「核发一声、硬件扫完」。

· 自增开关：新增寄存器 0x3B4 RB_AUTO——写 1 = 块号由硬件自增；
· 一次启动扫完：auto_mode=1 时一条 RB_GO 即可，硬件把块号从 0 自增到 NB-1，每块照旧取权重 → 算部分积 → 累加进跨块 acc，中间不再要核发 start；最后一块算完才 busy=0 / done=1（软件只见「一次启动、一次完成」）；
· 块计数探针：新增 blkcnt_out / 0x3B8 RB_BLKC = 自上次 RB_CLR 以来硬件真正处理过的块数（自增是否真扫完的硬证据）；
· 只扩不推翻：auto_mode=0 = 第 31 环老语义（核写块号、核发每块 start），一个字没删，两条路径必须逐位一致；第 31 环的 RB_CLR 现在把块计数一并归零；
· 探针：0x3A0 RB_BLKO（自增停在的块号）、0x3B8 RB_BLKC（扫过块数）、0x3BC SCREEN7。前 31 圈地址映射一字不改。

改 rtl/row_blk.sv（新增 auto_mode 输入 + blkcnt_out 探针 + ST_COMP 里的自增续跑），新增 tb/tb_row_blk32.sv（单元仿真）；min_bus 挂 0x3B4 RB_AUTO / 0x3B8 RB_BLKC / 0x3BC SCREEN7 并新增第七观察点 screen7_out；circle32/gen_boot32.py 生成最小 OS（第 32 环试验段）；tb/tb_min_soc32.sv 协同仿真。

// rtl/row_blk.sv（节选）：一块算完，块号自己加 1，接着取下一块（不放手、不叫软件）
ST_COMP: begin
    for (n0 = 0; n0 < RB; n0 = n0 + 1) begin
        part_out[n0*ACC_W +: ACC_W] <= partial_c[n0];
        acc_out[(r0_i + n0)*ACC_W +: ACC_W] <=
            acc_out[(r0_i + n0)*ACC_W +: ACC_W] + partial_c[n0];
    end
    blkcnt_out <= blkcnt_r + 8'd1;            // 又处理完一块
    if (auto_r && more_blk) begin             // 还有块 → 自增续跑
        blk_r <= blk_r + 1'b1;                // 块号硬件自增
        rbase_out <= nxt_r0; cbase_out <= nxt_c0;
        f_i <= 2'd0;  st <= ST_FETCH;
    end else begin
        busy <= 1'b0; done <= 1'b1; st <= ST_IDLE;   // 扫完才放手
    end
end

测试矩阵 W = [1,2,-1,0 / 0,1,1,-2 / -1,0,2,1 / 2,-1,0,1]、x = [3,-2,5,-4]，手算 y = W·x = [-6,11,3,4]。最小 OS 在芯片上真跑（整段只说了一次 start）：

单元仿真 tb_row_blk32 7 组用例通过（含自增途中逐块快照：acc 从 [-1,-2,0,0] → [-6,11,0,0] → 整行，全在同一次 start 之内；稀疏激活 x=[2,0,3,0] 逐 lane 对表）；协同仿真 tb_min_soc32：SCREEN = 0xF905FD04、SCREEN2 = 0x02040404、SCREEN3 = 0x04000204、SCREEN4 = 0x10200707、SCREEN5 = 0x04081807、SCREEN6 = 0x0402FFFA 与第 31 环逐位一致（本环只给行块引擎加了个自增开关，主通路一个字没动）；采样序列 [0,2,0,0,0,3]、第 6 步吐停止符 3 而停。全量回归 49 项全绿。

从「核一块块喂」走到「硬件自己数块号、一次启动扫完整个矩阵」——这正是软件与 NPU 的分工线：核只需要说「算这个矩阵」，剩下几百上千个行块由硬件流式走完，核不必为每块再插一笔 MMIO。芯片离「跑真 DeepSeek 权重」又近一层：层的权重再大，也只是硬件自己一块块数过去、累加器一格格长起来。