Modelos y plataformas de IA
OpenAI informa de mejoras impulsadas por modelos en los diseños de los chips insignia de AMD

Puntos claveLos modelos de OpenAI reescribieron el RTL de los chips de AMD para obtener ganancias…
Ver más
- Los modelos de OpenAI reescribieron el RTL de los chips de AMD para obtener ganancias de PPA de hasta el 14% en diseños de GPU insignia.
- Los cambios propuestos por el modelo redujeron el área de celdas estándar en aproximadamente un 13% en el motor warp de Jalapeño.
- Las puntuaciones basadas en especificaciones pueden exagerar la capacidad porque los modelos omitieron características como los contadores de rendimiento.
OpenAI informó el 18 de noviembre de 2026 que sus modelos lograron una mejora de hasta el 14 % en consumo energético, rendimiento y área (PPA) frente a diseños de referencia altamente optimizados de propiedad intelectual para GPU insignia de AMD, y que algunas reescrituras de circuitos se incluyeron en un diseño enviado a fabricación.
Las mejoras se lograron al reescribir RTL en SystemVerilog, el código que describe los circuitos de un chip. El modelo utilizó herramientas de Synopsys para verificar que cada reescritura conservara el comportamiento de un bloque y evaluar las compensaciones entre los distintos aspectos de PPA. AMD incorporó otros cambios a los archivos de diseño de producción para futuras versiones. OpenAI afirmó que el trabajo con GPU representaba aproximadamente un año de progreso alcanzado en menos de cinco meses, y que AMD verificó mejoras porcentuales de un solo dígito en PPA en bloques clave de una futura CPU insignia de próxima generación, utilizando diseños escritos por el modelo.
Mejoras a nivel de circuito en Jalapeño
OpenAI comenzó a utilizar GPT-4o para ayudar a diseñar Jalapeño, su primer chip de inferencia personalizado, a principios de 2025. El equipo estima que los cambios propuestos por el modelo redujeron aproximadamente un 13 % el área de las celdas estándar del motor de ejecución paralela (warp engine), que gestiona y ejecuta tareas de computación paralela, y un 10 % la de la unidad matricial, un componente aritmético. Los modelos exploraron implementaciones lógicas alternativas, formas de distribuir los cálculos entre las etapas de la canalización, oportunidades para compartir hardware y maneras de reducir el almacenamiento intermedio.
Entre los ejemplos detallados de OpenAI figura el rediseño de un multiplicador de la unidad matricial, que utilizó aproximadamente un 15 % menos de área de celdas durante la síntesis y redujo la latencia de dos ciclos de reloj a uno. Otro rediseño, el de un sumador, redujo el área de celdas aproximadamente un 15 % y mantuvo una latencia de dos ciclos. Otras mejoras en la lógica del producto escalar y la organización de la canalización aportaron ahorros adicionales en todo el bloque, y las optimizaciones se validaron en silicio durante la puesta en marcha de Jalapeño.
Los resultados en silicio de OpenAI del 25 de agosto de 2026 indicaron que la asistencia de IA ayudó a que Jalapeño pasara del diseño inicial al envío a fabricación en nueve meses.
Pruebas con RISC-V comparan cinco generaciones de modelos
Para medir cómo habían cambiado las capacidades de diseño de chips entre generaciones, OpenAI probó GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol y GPT-5.5 con dos núcleos RISC-V de 32 bits y código abierto. PicoRV32 es un núcleo compacto diseñado para chips reprogramables llamados FPGA; OpenTitan utiliza Ibex como procesador integrado en su chip de seguridad. La evaluación abarcó tanto la optimización del RTL de un núcleo existente como la creación de uno a partir de requisitos escritos y plantillas de interfaz, con 9.881 ejecuciones puntuadas en las distintas tareas, núcleos y presupuestos de tokens.
Para optimizar el RTL, se proporcionó a cada modelo la descripción original del hardware y se le pidió que aumentara el rendimiento, es decir, el número de instrucciones ejecutadas por segundo. Un diseño recibía una puntuación de cero si no superaba una comprobación de simulación o si utilizaba más de 16 veces el área del núcleo original. En el caso de los diseños que superaban la prueba, OpenAI calculó la media geométrica de las instrucciones por ciclo en cargas de trabajo que se mantuvieron ocultas a los modelos y la multiplicó por la frecuencia de reloj máxima estimada con Yosys. Al mejor rendimiento observado para cada núcleo bajo las mismas restricciones se le asignó una puntuación de 1,0, y los promedios incluyeron las ejecuciones con puntuación cero.
Con un presupuesto comparable de aproximadamente 112.000 tokens por ejecución, los resultados de OpenAI otorgaron a GPT-6.2 Astra la puntuación media más alta en ambos núcleos para la optimización del RTL; GPT-6.1 Sol también superó a GPT-5.6 Sol en ambos. En el diseño de especificación a RTL, con un presupuesto similar, GPT-6.2 Astra obtuvo una puntuación normalizada media superior a 0,7 en PicoRV32 y una media de aproximadamente 0,75 en Ibex. Los cinco modelos obtuvieron puntuaciones más altas al diseñar a partir de requisitos escritos que al optimizar RTL existente en ambos núcleos.
Límites de la evaluación y el plan GPT-Synopsys
Las puntuaciones más altas basadas en especificaciones requieren una salvedad. OpenAI afirmó que los modelos que partían de requisitos escritos podían omitir funciones presentes en los núcleos originales, como los contadores de rendimiento y las instrucciones adicionales, que apenas contribuían a mejorar el rendimiento en las cargas de trabajo de prueba. Esas omisiones podrían explicar parte de la ventaja en las puntuaciones. Exigir esas funciones, establecer un límite más estricto para el área del circuito y comprobar la temporización después de la síntesis física haría que la prueba reflejara mejor el diseño de chips de producción.
Para vincular el desarrollo de modelos con sistemas de verificación consolidados, OpenAI colabora con Synopsys en el entrenamiento de GPT-Synopsys para que utilice herramientas de automatización del diseño electrónico (EDA) como lo hacen los diseñadores expertos de chips. El trabajo se basa en un acuerdo plurianual anunciado el 30 de septiembre de 2026, que abarca el desarrollo conjunto, la colaboración para la salida al mercado y el reparto de ingresos. Synopsys afirmó que los ingenieros delegarían objetivos que abarcan desde la optimización de PPA hasta el cierre de la temporización y la verificación, mientras los agentes ejecutan herramientas, interpretan resultados, implementan cambios e iteran hasta obtener resultados verificados para que los ingenieros los revisen.
Synopsys afirmó que los datos de diseño de los clientes no se utilizarían para entrenar GPT-Synopsys y que se cifrarían tanto en reposo como durante la transmisión, con controles configurables de conservación, auditoría y permisos. Estas protecciones y el requisito de revisión por parte de los ingenieros responden a las exigencias de trabajar con diseños de producción patentados. El desafío central de la investigación consiste en vincular las mejoras de diseño impulsadas por modelos con una verificación fiable; GPT-Synopsys está concebido para ofrecer esa conexión tanto en la optimización de circuitos como en flujos de trabajo de EDA más amplios.












