Μοντέλα και πλατφόρμες AI

Η OpenAI αναφέρει κέρδη από τη χρήση μοντέλων στον σχεδιασμό κορυφαίων τσιπ της AMD

Jonas Reeve
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΤα μοντέλα της OpenAI επανέγραψαν το RTL των τσιπ AMD για βελτιώσεις PPA έως 14% σε…
Δείτε περισσότερα
  • Τα μοντέλα της OpenAI επανέγραψαν το RTL των τσιπ AMD για βελτιώσεις PPA έως 14% σε σχεδιάσεις κορυφαίων GPU.
  • Οι αλλαγές που πρότειναν τα μοντέλα μείωσαν την περιοχή τυπικών κυψελών κατά περίπου 13% στη μηχανή warp του Jalapeño.
  • Οι βαθμολογίες βάσει προδιαγραφών ενδέχεται να υπερεκτιμούν την ικανότητα επειδή τα μοντέλα παρέλειψαν χαρακτηριστικά όπως οι μετρητές απόδοσης.

Στις 18 Νοεμβρίου 2026, η OpenAI ανέφερε ότι τα μοντέλα της πέτυχαν βελτίωση έως και 14% στην ισχύ, την απόδοση και την επιφάνεια (PPA), σε σύγκριση με ιδιαίτερα βελτιστοποιημένες γραμμές βάσης για κορυφαία GPU της AMD, ενώ ορισμένες ανασχεδιασμένες κυκλωματικές διατάξεις συμπεριλήφθηκαν σε σχέδιο που στάλθηκε για κατασκευή.

Τα κέρδη προήλθαν από την αναδιατύπωση RTL σε SystemVerilog, δηλαδή του κώδικα που περιγράφει τα κυκλώματα ενός τσιπ. Το μοντέλο χρησιμοποίησε εργαλεία της Synopsys για να επαληθεύσει ότι κάθε αναδιατύπωση διατηρούσε τη λειτουργία ενός δομικού στοιχείου και να αξιολογήσει τους συμβιβασμούς μεταξύ των παραμέτρων PPA. Η AMD πρόσθεσε και άλλες αλλαγές στα αρχεία σχεδιασμού παραγωγής για μελλοντικές εκδόσεις. Η OpenAI δήλωσε ότι η εργασία για τις GPU αντιστοιχούσε σε πρόοδο περίπου ενός έτους, η οποία επιτεύχθηκε σε λιγότερο από πέντε μήνες, και ότι η AMD επαλήθευσε μονοψήφιες ποσοστιαίες βελτιώσεις PPA σε βασικά δομικά στοιχεία ενός επερχόμενου κορυφαίου CPU επόμενης γενιάς, με σχέδια που συντάχθηκαν από μοντέλα.

Κέρδη σε επίπεδο κυκλώματος στο Jalapeño

Η OpenAI άρχισε να χρησιμοποιεί το GPT-4o για να συνδράμει στον σχεδιασμό του Jalapeño, του πρώτου ειδικά σχεδιασμένου τσιπ της για εξαγωγή συμπερασμάτων, στις αρχές του 2025. Η ομάδα εκτιμά ότι οι αλλαγές που πρότειναν τα μοντέλα μείωσαν την επιφάνεια των τυπικών κελιών κατά περίπου 13% στη μονάδα warp, η οποία διαχειρίζεται και εκτελεί εργασίες παράλληλου υπολογισμού, και κατά 10% στη μονάδα πινάκων, ένα αριθμητικό εξάρτημα. Τα μοντέλα διερεύνησαν εναλλακτικές υλοποιήσεις λογικής, τρόπους κατανομής των υπολογισμών σε στάδια διοχέτευσης, δυνατότητες κοινής χρήσης υλικού και μειώσεις της ενδιάμεσης αποθήκευσης.

Στα λεπτομερή παραδείγματα της OpenAI περιλαμβάνεται ο ανασχεδιασμός ενός πολλαπλασιαστή στη μονάδα πινάκων, ο οποίος κατά τη σύνθεση χρησιμοποιούσε περίπου 15% λιγότερη επιφάνεια κελιών, ενώ μείωνε την καθυστέρηση από δύο κύκλους ρολογιού σε έναν. Ένας ξεχωριστός ανασχεδιασμός αθροιστή περιόρισε την επιφάνεια κελιών κατά περίπου 15%, διατηρώντας παράλληλα την καθυστέρηση των δύο κύκλων. Περαιτέρω βελτιώσεις στη λογική γινομένου εσωτερικού και στην οργάνωση της διοχέτευσης συνέβαλαν σε πρόσθετη εξοικονόμηση σε όλο το δομικό στοιχείο, ενώ οι βελτιστοποιήσεις επαληθεύτηκαν σε πυρίτιο κατά τη θέση σε λειτουργία του Jalapeño.

Τα αποτελέσματα σε πυρίτιο της OpenAI στις 25 Αυγούστου 2026 ανέφεραν ότι η υποβοήθηση από τεχνητή νοημοσύνη βοήθησε το Jalapeño να περάσει από τον αρχικό σχεδιασμό στην οριστικοποίηση της διάταξης για κατασκευή μέσα σε εννέα μήνες.

Δοκιμές RISC-V συγκρίνουν πέντε γενιές μοντέλων

Για να μετρήσει πώς μεταβλήθηκαν οι δυνατότητες σχεδιασμού τσιπ από γενιά σε γενιά, η OpenAI δοκίμασε τα GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol και GPT-5 σε δύο πυρήνες RISC-V 32 bit ανοιχτού κώδικα. Το PicoRV32 είναι ένας συμπαγής πυρήνας σχεδιασμένος για επαναπρογραμματιζόμενα τσιπ που ονομάζονται FPGA· το OpenTitan χρησιμοποιεί τον Ibex ως ενσωματωμένο επεξεργαστή στο τσιπ ασφαλείας του. Η αξιολόγηση κάλυψε τόσο τη βελτιστοποίηση του RTL ενός υπάρχοντος πυρήνα όσο και τη δημιουργία πυρήνα βάσει γραπτών απαιτήσεων και προτύπων διεπαφής, με 9.881 βαθμολογημένες εκτελέσεις στις εργασίες, τους πυρήνες και τους προϋπολογισμούς διακριτικών.

Για τη βελτιστοποίηση RTL, σε κάθε μοντέλο δόθηκε η αρχική περιγραφή υλικού και του ζητήθηκε να αυξήσει τη διεκπεραιωτική ικανότητα, δηλαδή τον αριθμό εντολών που εκτελούνται ανά δευτερόλεπτο. Ένα σχέδιο βαθμολογούνταν με μηδέν αν αποτύγχανε σε έλεγχο προσομοίωσης ή αν χρησιμοποιούσε επιφάνεια μεγαλύτερη από 16 φορές εκείνη του αρχικού πυρήνα. Για τα σχέδια που περνούσαν τον έλεγχο, η OpenAI υπολόγισε τον γεωμετρικό μέσο όρο των εντολών ανά κύκλο σε φόρτους εργασίας που παρέμεναν κρυφοί από τα μοντέλα και τον πολλαπλασίασε με τη μέγιστη συχνότητα ρολογιού που εκτιμήθηκε με το Yosys. Στην καλύτερη διεκπεραιωτική ικανότητα που παρατηρήθηκε για κάθε πυρήνα υπό τους ίδιους περιορισμούς αποδόθηκε βαθμολογία 1,0, ενώ στους μέσους όρους συμπεριλήφθηκαν και οι εκτελέσεις με μηδενική βαθμολογία.

Με συγκρίσιμο προϋπολογισμό περίπου 112.000 διακριτικών ανά εκτέλεση, τα αποτελέσματα της OpenAI έδωσαν στο GPT-6.2 Astra την υψηλότερη μέση βαθμολογία και στους δύο πυρήνες στη βελτιστοποίηση RTL· το GPT-6.1 Sol σημείωσε επίσης υψηλότερη βαθμολογία από το GPT-5.6 Sol και στους δύο. Στον σχεδιασμό από προδιαγραφές σε RTL, με σχεδόν τον ίδιο προϋπολογισμό, το GPT-6.2 Astra κατέγραψε μέση κανονικοποιημένη βαθμολογία πάνω από 0,7 στο PicoRV32 και μέσο όρο περίπου 0,75 στο Ibex. Και τα πέντε μοντέλα σημείωσαν υψηλότερες βαθμολογίες όταν σχεδίαζαν βάσει γραπτών απαιτήσεων παρά όταν βελτιστοποιούσαν υπάρχον RTL και στους δύο πυρήνες.

Όρια αξιολόγησης και το σχέδιο GPT-Synopsys

Οι υψηλότερες βαθμολογίες βάσει προδιαγραφών συνοδεύονται από μια επιφύλαξη. Η OpenAI δήλωσε ότι μοντέλα που ξεκινούσαν από γραπτές απαιτήσεις ενδέχεται να παραλείπουν χαρακτηριστικά των αρχικών πυρήνων, όπως μετρητές απόδοσης και πρόσθετες εντολές, τα οποία δεν συνέβαλλαν ουσιαστικά στη βελτίωση της διεκπεραιωτικής ικανότητας στους φόρτους εργασίας της δοκιμής. Αυτές οι παραλείψεις θα μπορούσαν να εξηγούν μέρος του πλεονεκτήματος στη βαθμολογία. Η απαίτηση να συμπεριλαμβάνονται τα χαρακτηριστικά, η θέσπιση αυστηρότερου ορίου επιφάνειας κυκλώματος και ο έλεγχος χρονισμού μετά τη φυσική σύνθεση θα καθιστούσαν τη δοκιμή πιο αντιπροσωπευτική του σχεδιασμού τσιπ για παραγωγή.

Για να συνδέσει την ανάπτυξη μοντέλων με καθιερωμένα συστήματα επαλήθευσης, η OpenAI συνεργάζεται με τη Synopsys για να εκπαιδεύσει το GPT-Synopsys στη χρήση εργαλείων αυτοματοποίησης ηλεκτρονικού σχεδιασμού (EDA), όπως τα χρησιμοποιούν οι έμπειροι σχεδιαστές τσιπ. Η εργασία βασίζεται σε μια πολυετή συμφωνία που ανακοινώθηκε στις 30 Σεπτεμβρίου 2026, η οποία καλύπτει την κοινή ανάπτυξη, τη συνεργασία για την εμπορική προώθηση και τον επιμερισμό εσόδων. Η Synopsys δήλωσε ότι οι μηχανικοί θα αναθέτουν στόχους από τη βελτιστοποίηση PPA έως την ολοκλήρωση χρονισμού και επαλήθευσης, ενώ πράκτορες θα εκτελούν εργαλεία, θα ερμηνεύουν αποτελέσματα, θα υλοποιούν αλλαγές και θα επαναλαμβάνουν τη διαδικασία μέχρι να επιτευχθούν επαληθευμένα αποτελέσματα προς εξέταση από τους μηχανικούς.

Η Synopsys δήλωσε ότι τα δεδομένα σχεδιασμού των πελατών δεν θα χρησιμοποιούνται για την εκπαίδευση του GPT-Synopsys και θα κρυπτογραφούνται κατά την αποθήκευση και τη μεταφορά, με ρυθμιζόμενες δυνατότητες διατήρησης δεδομένων, ελέγχου και διαχείρισης δικαιωμάτων πρόσβασης. Αυτές οι δικλίδες προστασίας και η απαίτηση ελέγχου από μηχανικό ανταποκρίνονται στις πραγματικές συνθήκες εργασίας σε ιδιόκτητους σχεδιασμούς για παραγωγή. Η κεντρική πρόκληση της έρευνας είναι να συνδυαστούν τα κέρδη από τον σχεδιασμό με μοντέλα με αξιόπιστη επαλήθευση· το GPT-Synopsys προορίζεται να προσφέρει αυτή τη σύνδεση στη βελτιστοποίηση κυκλωμάτων και σε ευρύτερες ροές εργασίας EDA.

Jonas Reeve είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στην Unite.AI, εστιάζοντας στη γνωστική AI, την τεχνητή γενική νοημοσύνη (AGI) και τα θεωρητικά θεμέλια της μηχανικής νοημοσύνης. Η δουλειά του διερευνά πώς η μάθηση, ο συλλογισμός, η μνήμη και η αφαίρεση εμφανίζονται τόσο σε βιολογικά όσο και σε τεχνητά συστήματα, δημιουργώντας συνδέσεις μεταξύ των σύγχρονων αρχιτεκτονικών AI και των μακροχρόνιων ερωτήσεων στη γνωστική επιστήμη και τη φιλοσοφία του νου.

Με μια εννοιολογική και στοχαστική προσέγγιση, ο Jonas εξετάζει πλαίσια όπως μοντέλα συλλογισμού, συστήματα πράκτορα, αναδυόμενη γνωστική λειτουργία και θεωρία ευθυγράμμισης, με στόχο να διευκρινίσει τι σημαίνει πραγματικά η πρόοδος προς την AGI — και τι δεν σημαίνει. Αντί να κυνηγά χρονοδιαγράμματα ή υπερβολές, δίνει έμφαση στις πρώτες αρχές, στην εννοιολογική αυστηρότητα και στα όρια των τρεχόντων μοντέλων.

Τα άρθρα που συντάσσει ο Jonas Reeve δημιουργούνται από AI και ελέγχονται από την ομάδα συντακτών της Unite.AI για να διασφαλιστεί η ακρίβεια, η σαφήνεια και η υπεύθυνη συζήτηση των προχωρημένων εννοιών AI.