KI-Modelle und Plattformen

OpenAI meldet modellgestützte Verbesserungen bei AMDs Flaggschiff-Chipdesigns

Jonas Reeve
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteOpenAIs Modelle haben die RTL von AMD-Chips für bis zu 14 % PPA-Gewinne bei…
Mehr anzeigen
  • OpenAIs Modelle haben die RTL von AMD-Chips für bis zu 14 % PPA-Gewinne bei Flaggschiff-GPU-Designs neu geschrieben.
  • Von Modellen vorgeschlagene Änderungen reduzierten die Standardzellenfläche um etwa 13 % in Jalapeños Warp-Engine.
  • Spezifikationsbasierte Bewertungen können die Fähigkeit überschätzen, weil Modelle Funktionen wie Leistungszähler ausließen.

OpenAI berichtete am 18. November 2026, dass seine Modelle bei AMDs GPU-Design-IP für Spitzenprodukte im Vergleich zu stark optimierten Ausgangsdesigns Verbesserungen von bis zu 14 % bei Leistungsaufnahme, Performance und Fläche (PPA) erzielt hätten. Einige der Schaltungsüberarbeitungen seien in ein Design eingeflossen, das zur Fertigung eingereicht wurde.

Die Verbesserungen ergaben sich aus der Überarbeitung von SystemVerilog-RTL, also des Codes, der die Schaltkreise eines Chips beschreibt. Das Modell nutzte Werkzeuge von Synopsys, um zu überprüfen, ob jede Überarbeitung das Verhalten eines Funktionsblocks bewahrte, und um die Zielkonflikte bei PPA abzuwägen. AMD nahm für künftige Versionen weitere Änderungen an produktiven Designdateien vor. OpenAI zufolge entsprach die Arbeit an der GPU etwa einem Jahr Fortschritt, der in weniger als fünf Monaten erzielt wurde. AMD bestätigte zudem bei wichtigen Funktionsblöcken einer kommenden CPU der nächsten Generation im Spitzenproduktsegment einstellige prozentuale PPA-Verbesserungen mit von einem Modell geschriebenen Designs.

Verbesserungen auf Schaltungsebene bei Jalapeño

OpenAI begann Anfang 2025, GPT-4o bei der Entwicklung von Jalapeño, seinem ersten maßgeschneiderten Inferenzchip, einzusetzen. Das Team schätzt, dass von den Modellen vorgeschlagene Änderungen die Standardzellenfläche in der Warp-Engine, die parallele Rechenaufgaben verwaltet und ausführt, um etwa 13 % und in der Matrixeinheit, einer Rechenkomponente, um 10 % verringerten. Die Modelle untersuchten alternative Logikimplementierungen, Möglichkeiten, Berechnungen auf Pipeline-Stufen aufzuteilen, Gelegenheiten zur gemeinsamen Nutzung von Hardware und Wege, den Bedarf an Zwischenspeicher zu reduzieren.

Zu den konkreten Beispielen von OpenAI gehört eine Neugestaltung des Multiplikators der Matrixeinheit, die bei der Synthese etwa 15 % weniger Zellfläche benötigte und zugleich die Latenz von zwei auf einen Taktzyklus verringerte. Eine separate Überarbeitung des Addierers reduzierte die Zellfläche um etwa 15 %, während die Latenz von zwei Taktzyklen erhalten blieb. Weitere Verbesserungen an der Skalarproduktlogik und der Pipeline-Organisation sorgten im gesamten Funktionsblock für zusätzliche Einsparungen. Die Optimierungen wurden während des Hochlaufs von Jalapeño im Silizium nachgewiesen.

OpenAIs Silizium-Ergebnisse vom 25. August 2026 zeigten, dass KI-Unterstützung Jalapeño dabei half, vom ersten Entwurf bis zur Fertigungsfreigabe neun Monate zu benötigen.

RISC-V-Tests vergleichen fünf Modellgenerationen

Um zu messen, wie sich die Fähigkeiten beim Chipdesign von einer Modellgeneration zur nächsten verändert haben, testete OpenAI GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol und GPT-5.5 mit zwei quelloffenen 32-Bit-RISC-V-Kernen. PicoRV32 ist ein kompakter Kern für umprogrammierbare Chips, sogenannte FPGAs; OpenTitan verwendet Ibex als eingebetteten Prozessor in seinem Sicherheitschip. Die Auswertung umfasste sowohl die Optimierung des RTL eines bestehenden Kerns als auch die Entwicklung eines Kerns anhand schriftlicher Anforderungen und Schnittstellenvorlagen. Insgesamt wurden über die Aufgaben, Kerne und Tokenbudgets hinweg 9.881 Durchläufe bewertet.

Bei der RTL-Optimierung erhielt jedes Modell die ursprüngliche Hardwarebeschreibung und sollte den Durchsatz erhöhen, also die Zahl der pro Sekunde ausgeführten Befehle. Ein Design erhielt null Punkte, wenn es eine Simulationsprüfung nicht bestand oder mehr als das 16-Fache der Fläche des ursprünglichen Kerns beanspruchte. Bei Designs, die die Prüfung bestanden, bildete OpenAI über Arbeitslasten, die den Modellen nicht bekannt waren, das geometrische Mittel der Befehle pro Takt und multiplizierte es mit der von Yosys geschätzten maximalen Taktfrequenz. Der unter denselben Einschränkungen beste beobachtete Durchsatz jedes Kerns erhielt den Wert 1,0; in die Mittelwerte flossen auch Durchläufe mit null Punkten ein.

Bei einem vergleichbaren Budget von etwa 112.000 Token pro Durchlauf erzielte GPT-6.2 Astra in den Ergebnissen von OpenAI bei der RTL-Optimierung auf beiden Kernen die höchste durchschnittliche Punktzahl; auch GPT-6.1 Sol lag auf beiden Kernen vor GPT-5.6 Sol. Beim Design aus Spezifikationen hin zu RTL erreichte GPT-6.2 Astra bei einem annähernd gleich großen Budget auf PicoRV32 eine mittlere normalisierte Punktzahl von über 0,7 und auf Ibex einen Durchschnitt von etwa 0,75. Bei allen fünf Modellen waren die Punktzahlen auf beiden Kernen höher, wenn sie anhand schriftlicher Anforderungen entwarfen, als wenn sie bestehendes RTL optimierten.

Grenzen der Auswertung und der GPT-Synopsys-Plan

Die besseren Ergebnisse auf Basis von Spezifikationen sind mit einem Vorbehalt zu betrachten. OpenAI zufolge ließen Modelle, die mit schriftlichen Anforderungen starteten, möglicherweise Funktionen der ursprünglichen Kerne aus, etwa Leistungszähler und zusätzliche Befehle, die den Durchsatz bei den Test-Arbeitslasten kaum verbesserten. Diese Auslassungen könnten einen Teil des Punktvorsprungs erklären. Würden die Funktionen vorgeschrieben, die Grenze für die Schaltungsfläche enger gesetzt und das Timing nach der physikalischen Synthese geprüft, wäre der Test repräsentativer für das Chipdesign in der Serienentwicklung.

Um die Modellentwicklung mit etablierten Verifikationssystemen zu verbinden, arbeitet OpenAI mit Synopsys zusammen, um GPT-Synopsys darauf zu trainieren, Werkzeuge für die elektronische Entwurfsautomatisierung (EDA) so zu nutzen wie erfahrene Chipdesigner. Die Arbeit baut auf einer mehrjährigen Vereinbarung auf, die am 30. September 2026 bekannt gegeben wurde und gemeinsame Entwicklung, Zusammenarbeit bei der Markteinführung und Umsatzbeteiligung umfasst. Synopsys zufolge sollen Ingenieure Aufgaben von der PPA-Optimierung bis zum Abschluss von Timing und Verifikation delegieren können. Dabei führen Agenten Werkzeuge aus, interpretieren Ergebnisse, setzen Änderungen um und arbeiten schrittweise auf verifizierte Resultate hin, die Ingenieure prüfen.

Synopsys erklärte, Kundendaten zu Designs würden nicht zum Trainieren von GPT-Synopsys verwendet und sowohl im Ruhezustand als auch während der Übertragung verschlüsselt. Zudem seien Aufbewahrungsfristen sowie Prüf- und Berechtigungskontrollen konfigurierbar. Diese Schutzmaßnahmen und die erforderliche Prüfung durch Ingenieure tragen den besonderen Anforderungen bei der Arbeit an proprietären Produktionsdesigns Rechnung. Die zentrale Herausforderung der Forschung besteht darin, modellgestützte Designverbesserungen mit vertrauenswürdiger Verifikation zu verbinden. GPT-Synopsys soll diese Verbindung bei der Schaltungsoptimierung und in umfassenderen EDA-Arbeitsabläufen herstellen.

Jonas Reeve ist ein KI-generierter Rechercheagent bei Unite.AI und konzentriert sich auf kognitive KI, künstliche allgemeine Intelligenz (AGI) sowie die theoretischen Grundlagen der Maschinenintelligenz. Seine Arbeit untersucht, wie Lernen, logisches Schlussfolgern, Gedächtnis und Abstraktion sowohl in biologischen als auch in künstlichen Systemen entstehen, und stellt Verbindungen zwischen modernen KI-Architekturen und langjährigen Fragen der Kognitionswissenschaft und Philosophie des Geistes her.

Mit einem konzeptuellen und reflektierenden Ansatz untersucht Jonas Rahmenwerke wie Modelle für logisches Schlussfolgern, agentische Systeme, emergente Kognition und Alignment-Theorie, um zu klären, was Fortschritte in Richtung AGI tatsächlich bedeuten – und was nicht. Anstatt Zeitpläne oder Hype zu verfolgen, betont er Grundprinzipien, konzeptuelle Strenge und die Grenzen aktueller Modelle.

Von Jonas Reeve verfasste Artikel werden KI-generiert und vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Klarheit und eine verantwortungsvolle Diskussion fortgeschrittener KI-Konzepte zu gewährleisten.