AI-mallit ja alustat
OpenAI raportoi mallien parantaneen AMD:n lippulaivapiirien suunnittelua

Keskeiset kohdatOpenAI:n mallit kirjoittivat AMD-sirun RTL:n uudelleen jopa 14 %:n PPA-parannuksilla…
Näytä lisää
- OpenAI:n mallit kirjoittivat AMD-sirun RTL:n uudelleen jopa 14 %:n PPA-parannuksilla lippulaiva-GPU-suunnitelmissa.
- Mallien ehdottamat muutokset pienensivät standardisolujen pinta-alaa noin 13 % Jalapeñon warp-moottorissa.
- Spesifikaatiopohjaiset pisteet voivat liioitella kyvykkyyttä, koska mallit jättivät pois ominaisuuksia, kuten suorituskykylaskurit.
OpenAI raportoi 18. marraskuuta 2026, että sen mallit paransivat AMD:n lippulaiva-GPU:n immateriaalioikeuksiin perustuvissa ratkaisuissa tehoa, suorituskykyä ja pinta-alaa (PPA) jopa 14 % erittäin pitkälle optimoituihin vertailuratkaisuihin nähden. Osa piiritason uudelleenkirjoituksista sisällytettiin valmistukseen lähetettyyn suunnitelmaan.
Parannukset saatiin aikaan kirjoittamalla uudelleen SystemVerilog RTL -koodia, joka kuvaa piirin kytkentöjä. Malli käytti Synopsysin työkaluja varmistaakseen, että kukin uudelleenkirjoitus säilytti lohkon toiminnan, sekä arvioidakseen PPA:n välisiä kompromisseja. AMD teki tuotantosuunnittelutiedostoihin myös muita muutoksia tulevia versioita varten. OpenAI kertoi GPU-työn vastanneen suunnilleen vuoden edistystä, joka saavutettiin alle viidessä kuukaudessa. AMD puolestaan varmisti mallien laatimien suunnitelmien avulla yksinumeroisia prosenttilukuja olevat PPA-parannukset tulevan seuraavan sukupolven lippulaiva-CPU:n keskeisissä lohkoissa.
Piiritason parannukset Jalapeñossa
OpenAI alkoi käyttää GPT-4o:ta Jalapeñon, ensimmäisen itse suunnittelemansa päättelypiirin, suunnittelun tukena vuoden 2025 alussa. Tiimi arvioi mallien ehdottamien muutosten pienentäneen standardisolujen pinta-alaa noin 13 % säieohjaimessa, joka hallinnoi ja suorittaa rinnakkaisia laskentatehtäviä, ja 10 % matriisiyksikössä eli aritmeettisessa komponentissa. Mallit tarkastelivat vaihtoehtoisia logiikkatoteutuksia, laskutoimitusten jakamista liukuhihnan vaiheisiin, mahdollisuuksia jakaa laitteistoa sekä väliaikaisen tallennustilan vähentämistä.
OpenAI esitteli yksityiskohtaisina esimerkkeinä matriisiyksikön kertojan uudelleensuunnittelun, joka käytti synteesissä noin 15 % vähemmän solupinta-alaa ja lyhensi viiveen kahdesta kellosyklisestä yhteen. Erillinen summaimen uudelleensuunnittelu pienensi solupinta-alaa noin 15 % ja säilytti samalla kahden syklin viiveen. Pistetuotelogiikkaan ja liukuhihnan rakenteeseen tehdyt lisäparannukset toivat lohkoon lisää säästöjä, ja optimointien toimivuus vahvistettiin piillä Jalapeñon käyttöönoton aikana.
OpenAI:n 25. elokuuta 2026 julkaisemat piitason tulokset kertoivat, että tekoälyn avulla Jalapeño eteni alustavasta suunnittelusta valmistukseen yhdeksässä kuukaudessa.
RISC-V-testissä verrattiin viittä mallisukupolvea
OpenAI testasi kahta avoimen lähdekoodin 32-bittistä RISC-V-ydintä selvittääkseen, miten piirisuunnittelukyky muuttui mallisukupolvien välillä. GPT-6.2 Astraa, GPT-6 Astraa, GPT-6.1 Solia, GPT-5.6 Solia ja GPT-5.5:tä testattiin. PicoRV32 on pienikokoinen ydin, joka on suunniteltu FPGA-piireihin eli uudelleenohjelmoitaviin piireihin; OpenTitan käyttää Ibexiä turvapiirinsä sulautettuna suorittimena. Arviointi kattoi sekä olemassa olevan ytimen RTL-koodin optimoinnin että ytimen luomisen kirjallisten vaatimusten ja liitäntämallien perusteella. Tehtävissä, ytimissä ja token-budjeteissa tehtiin yhteensä 9 881 pisteytettyä ajoa.
RTL-optimoinnissa kullekin mallille annettiin alkuperäinen laitteistokuvaus, ja sitä pyydettiin kasvattamaan läpimenoa eli sekunnissa suoritettujen käskyjen määrää. Suunnitelma sai nolla pistettä, jos se ei läpäissyt simulointitarkistusta tai jos sen pinta-ala ylitti alkuperäisen ytimen pinta-alan yli 16-kertaisesti. Läpäisseiden suunnitelmien kohdalla OpenAI laski eri työkuormissa suoritettujen käskyjen määrän kellosykliä kohti geometrisen keskiarvon. Työkuormat oli pidetty malleilta piilossa, ja tulos kerrottiin Yosysin avulla arvioidulla enimmäiskellotaajuudella. Kunkin ytimen parhaan havaittujen rajoitusten puitteissa saavutetun läpimenon pistemääräksi asetettiin 1,0, ja keskiarvoihin sisällytettiin myös nollapisteen saaneet ajot.
Kun ajokohtainen budjetti oli vertailukelpoinen eli noin 112 000 tokenia, OpenAI:n tuloksissa GPT-6.2 Astra sai korkeimman keskimääräisen pistemäärän molemmilla ytimillä RTL-optimoinnissa. GPT-6.1 Sol sai niin ikään molemmilla ytimillä paremman tuloksen kuin GPT-5.6 Sol. Suunnitelmasta RTL-koodiksi -tehtävässä lähes samalla budjetilla GPT-6.2 Astra saavutti PicoRV32:lla yli 0,7:n keskimääräisen normalisoidun pistemäärän ja Ibexillä noin 0,75:n keskiarvon. Kaikki viisi mallia saivat molemmilla ytimillä paremman tuloksen suunnitellessaan kirjallisten vaatimusten perusteella kuin optimoidessaan olemassa olevaa RTL-koodia.
Arvioinnin rajoitukset ja GPT-Synopsys-suunnitelma
Kirjallisiin vaatimuksiin perustuvien tehtävien parempiin pistemääriin liittyy kuitenkin varauma. OpenAI kertoi, että kirjallisten vaatimusten pohjalta aloittavat mallit saattoivat jättää pois alkuperäisissä ytimissä olevia ominaisuuksia, kuten suorituskykylaskureita ja lisäkäskyjä, joista ei ollut juurikaan hyötyä testien työkuormien läpimenon parantamisessa. Nämä poisjätöt saattoivat selittää osan piste-eron suuruudesta. Testistä tulisi tuotantopiirien suunnittelua paremmin vastaava, jos ominaisuudet vaadittaisiin mukaan, piirien pinta-alalle asetettaisiin tiukempi raja ja ajoitus tarkistettaisiin fyysisen synteesin jälkeen.
Yhdistääkseen mallien kehityksen vakiintuneisiin verifiointijärjestelmiin OpenAI tekee yhteistyötä Synopsysin kanssa kouluttaakseen GPT-Synopsysiä käyttämään elektronisen suunnittelun automaation (EDA) työkaluja piirikokeneiden suunnittelijoiden tavoin. Työ perustuu 30. syyskuuta 2026 julkistettuun monivuotiseen sopimukseen, joka kattaa yhteiskehityksen, markkinoille tuloon liittyvän yhteistyön ja liikevaihdon jakamisen. Synopsysin mukaan insinöörit voisivat antaa tehtäväksi PPA:n optimoinnin sekä ajoituksen ja verifioinnin viimeistelyn. Agentit käyttäisivät työkaluja, tulkitsisivat tuloksia, toteuttaisivat muutoksia ja kehittäisivät ratkaisuja iteratiivisesti kohti varmennettuja tuloksia, jotka insinööri tarkastaa.
Synopsysin mukaan asiakkaiden suunnitteludataa ei käytettäisi GPT-Synopsysin kouluttamiseen, ja se salattaisiin sekä tallennettuna että siirron aikana. Lisäksi käytössä olisi määritettävät säilytysajat sekä tarkastus- ja käyttöoikeuksien hallintatoiminnot. Nämä suojaukset ja vaatimus insinöörin tekemästä tarkastuksesta vastaavat tuotantosuunnitelmien omistusoikeudelliseen aineistoon liittyviin käytännön vaatimuksiin. Tutkimuksen keskeinen haaste on yhdistää mallien avulla saavutetut suunnittelun parannukset luotettavaan verifiointiin; GPT-Synopsysin tarkoituksena on mahdollistaa tämä yhteys piirien optimoinnissa ja laajemmissa EDA-työnkuluissa.












