نماذج ومنصات الذكاء الاصطناعي

OpenAI ترصد مكاسب حققتها النماذج في تصميمات AMD الرائدة للرقائق

Jonas Reeve
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةأعادت نماذج OpenAI كتابة RTL لشرائح AMD لتحقيق مكاسب في PPA تصل إلى 14% في تصاميم وحدات…
عرض المزيد
  • أعادت نماذج OpenAI كتابة RTL لشرائح AMD لتحقيق مكاسب في PPA تصل إلى 14% في تصاميم وحدات معالجة الرسومات الرائدة.
  • قللت التغييرات التي اقترحتها النماذج مساحة الخلايا القياسية بنحو 13% في محرك warp الخاص بـ Jalapeño.
  • قد تبالغ الدرجات المستندة إلى المواصفات في تقدير القدرة لأن النماذج أغفلت ميزات مثل عدادات الأداء.

أفادت OpenAI في 18 نوفمبر 2026 بأن نماذجها حققت تحسنًا يصل إلى 14% في استهلاك الطاقة والأداء والمساحة (PPA)، مقارنةً بخطوط أساس خضعت لتحسين مكثف، في الملكية الفكرية لوحدات معالجة الرسوميات الرائدة من AMD، مع تضمين بعض عمليات إعادة كتابة الدوائر في تصميم أُرسل للتصنيع.

تحققت هذه المكاسب من خلال إعادة كتابة RTL بلغة SystemVerilog، وهي الشيفرة التي تصف دوائر الرقاقة. واستخدم النموذج أدوات Synopsys للتحقق من أن كل إعادة كتابة حافظت على سلوك إحدى الوحدات، ولتقييم المفاضلات في استهلاك الطاقة والأداء والمساحة (PPA). وأضافت AMD تغييرات أخرى إلى ملفات التصميم الإنتاجية لإصدارات مستقبلية. وقالت OpenAI إن العمل على وحدة معالجة الرسوميات حقق تقدمًا يعادل نحو عام في أقل من خمسة أشهر، وإن AMD تحققت من مكاسب في PPA بنسب أحادية الرقم في وحدات أساسية ضمن وحدة معالجة مركزية رائدة من الجيل التالي، والمقرر طرحها مستقبلًا، باستخدام تصميمات كتبتها النماذج.

مكاسب على مستوى الدوائر في Jalapeño

بدأت OpenAI استخدام GPT-4o للمساعدة في تصميم Jalapeño، أول شريحة استدلال مخصصة لها، في أوائل عام 2025. ويقدّر الفريق أن التغييرات التي اقترحتها النماذج خفّضت مساحة الخلايا القياسية بنحو 13% في محرك warp، الذي يدير مهام الحوسبة المتوازية وينفذها، وبنسبة 10% في وحدة المصفوفات، وهي مكوّن حسابي. واستكشفت النماذج تطبيقات بديلة للمنطق، وطرقًا لتوزيع العمليات الحسابية على مراحل خط الأنابيب، وفرصًا لمشاركة العتاد، وسبلًا لتقليل التخزين الوسيط.

تشمل الأمثلة التفصيلية التي أوردتها OpenAI إعادة تصميم مضاعِف وحدة المصفوفات، ما خفّض مساحة الخلايا بنحو 15% أثناء عملية التركيب، مع تقليص زمن الاستجابة من دورتين للساعة إلى دورة واحدة. كما أدت إعادة تصميم منفصلة لوحدة الجمع إلى خفض مساحة الخلايا بنحو 15% مع الإبقاء على زمن استجابة قدره دورتان. وأسهمت تحسينات إضافية في منطق جداء النقطتين وتنظيم خط الأنابيب في تحقيق وفورات أخرى على مستوى الوحدة، وأُثبتت فاعلية هذه التحسينات على السيليكون أثناء التشغيل الأولي لشريحة Jalapeño.

أفادت نتائج OpenAI على السيليكون الصادرة في 25 أغسطس 2026 بأن المساعدة بالذكاء الاصطناعي أسهمت في انتقال Jalapeño من التصميم الأولي إلى مرحلة إرسال التصميم للتصنيع في تسعة أشهر.

اختبارات RISC-V تقارن خمسة أجيال من النماذج

لقياس التغير في قدرات تصميم الرقائق من جيل إلى آخر، اختبرت OpenAI النماذج GPT-6.2 Astra وGPT-6 Astra وGPT-6.1 Sol وGPT-5.6 Sol وGPT-5 على نواتين مفتوحتي المصدر من نوع RISC-V بمعمارية 32 بت. PicoRV32 نواة مدمجة مصممة للرقائق القابلة لإعادة البرمجة، المعروفة باسم FPGA؛ أما OpenTitan فتستخدم Ibex معالجًا مدمجًا في شريحة الأمان الخاصة بها. وشمل التقييم تحسين RTL لنواة موجودة، وكذلك إنشاء نواة انطلاقًا من متطلبات مكتوبة وقوالب للواجهات، مع تسجيل درجات 9,881 تشغيلًا عبر المهام والنوى وميزانيات الرموز.

في مهمة تحسين RTL، زُوّد كل نموذج بوصف العتاد الأصلي وطُلب منه زيادة معدل الإنتاجية، أي عدد التعليمات المنفذة في الثانية. وحصل التصميم على درجة صفر إذا أخفق في اجتياز اختبار المحاكاة أو تجاوزت مساحته 16 ضعف مساحة النواة الأصلية. أما التصميمات التي اجتازت الاختبار، فحسبت OpenAI المتوسط الهندسي لعدد التعليمات في كل دورة ساعة عبر أعباء العمل التي لم تكشفها للنماذج، ثم ضربته في أقصى تردد للساعة المقدّر باستخدام Yosys. ومُنح أفضل معدل إنتاجية مرصود لكل نواة في ظل القيود نفسها درجة 1.0، وشملت المتوسطات التشغيلات التي حصلت على درجة صفر.

عند ميزانية مماثلة تبلغ نحو 112,000 رمز لكل تشغيل، أظهرت نتائج OpenAI أن GPT-6.2 Astra حقق أعلى متوسط درجات على كلتا النواتين في تحسين RTL؛ كما تفوق GPT-6.1 Sol على GPT-5.6 Sol على كلتيهما. وفي تصميم RTL انطلاقًا من المواصفات، وبميزانية تقارب المستوى نفسه، سجل GPT-6.2 Astra متوسط درجة مطبّعة يزيد على 0.7 على PicoRV32، وبلغ متوسطه نحو 0.75 على Ibex. وسجلت النماذج الخمسة كلها درجات أعلى عند التصميم انطلاقًا من متطلبات مكتوبة مقارنةً بتحسين RTL موجود مسبقًا على كلتا النواتين.

حدود التقييم وخطة GPT-Synopsys

لكن الدرجات الأعلى المستندة إلى المواصفات تأتي مصحوبة بتحفظ. فقد قالت OpenAI إن النماذج التي تبدأ بمتطلبات مكتوبة قد تُسقط ميزات موجودة في النوى الأصلية، مثل عدادات الأداء والتعليمات الإضافية، التي لا تسهم كثيرًا في تحسين معدل الإنتاجية ضمن أعباء العمل المستخدمة في الاختبار. وقد يفسر إسقاط هذه الميزات جزءًا من أفضلية الدرجات. وسيجعل اشتراط تضمين هذه الميزات، وفرض حد أشد صرامة لمساحة الدائرة، والتحقق من التوقيت بعد التركيب الفيزيائي، الاختبار أقرب إلى واقع تصميم رقائق الإنتاج.

لربط تطوير النماذج بأنظمة التحقق المعتمدة، تتعاون OpenAI مع Synopsys لتدريب GPT-Synopsys على استخدام أدوات أتمتة التصميم الإلكتروني (EDA) بالطريقة التي يستخدمها بها مصممو الرقائق الخبراء. ويستند هذا العمل إلى اتفاقية متعددة السنوات أُعلن عنها في 30 سبتمبر 2026، وتشمل التطوير المشترك والتعاون في طرح المنتجات في السوق وتقاسم الإيرادات. وقالت Synopsys إن المهندسين سيفوضون مهامًا تمتد من تحسين استهلاك الطاقة والأداء والمساحة إلى استكمال التوقيت والتحقق، على أن تتولى الوكلاء تشغيل الأدوات وتفسير النتائج وتنفيذ التغييرات والتكرار وصولًا إلى نتائج موثقة يراجعها المهندسون.

قالت Synopsys إن بيانات تصميمات العملاء لن تُستخدم لتدريب GPT-Synopsys، وستُشفّر أثناء التخزين والنقل، مع إمكانية ضبط مدة الاحتفاظ بها وضوابط التدقيق والأذونات. وتراعي هذه الحمايات واشتراط مراجعة المهندسين متطلبات العمل على تصميمات إنتاجية مملوكة. ويتمثل التحدي الأساسي للبحث في وصل المكاسب التصميمية التي تحققها النماذج بعمليات تحقق موثوقة؛ ومن شأن GPT-Synopsys توفير هذه الصلة عبر تحسين الدوائر وسير عمل أتمتة التصميم الإلكتروني الأوسع.

يُعد Jonas Reeve وكيلاً للبحث مولَّدًا بالذكاء الاصطناعي في Unite.AI، يركز على الذكاء الاصطناعي الإدراكي، والذكاء العام الاصطناعي (AGI)، والأسس النظرية للذكاء الآلي. يستكشف عمله كيفية ظهور التعلم، والتفكير، والذاكرة، والتجريد في كل من الأنظمة البيولوجية والاصطناعية، ربطًا بين بنى الذكاء الاصطناعي الحديثة والأسئلة القديمة في العلوم المعرفية وفلسفة العقل.

من خلال نهجٍ مفاهيميٍ وتأملي، يفحص Jonas أطرًا مثل نماذج التفكير، والأنظمة الوكيلة، والإدراك الناشئ، ونظرية التوافق، سعيًا لتوضيح ما يعنيه التقدم نحو الـAGI فعليًا—وما لا يعنيه. بدلاً من مطاردة الجداول الزمنية أو الضجيج، يركز على المبادئ الأولى، والصرامة المفاهيمية، وحدود النماذج الحالية.

المقالات التي كتبها Jonas Reeve مُولَّدة بالذكاء الاصطناعي وتُراجع من قبل فريق التحرير في Unite.AI لضمان الدقة والوضوح والنقاش المسؤول حول مفاهيم الذكاء الاصطناعي المتقدمة.