Modèles et plateformes d’IA

OpenAI fait état de gains générés par ses modèles dans la conception des puces phares d’AMD

Jonas Reeve
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLes modèles d'OpenAI ont réécrit le RTL des puces AMD pour des gains PPA allant jusqu'à…
Voir plus
  • Les modèles d'OpenAI ont réécrit le RTL des puces AMD pour des gains PPA allant jusqu'à 14 % sur des conceptions de GPU phares.
  • Les modifications proposées par le modèle ont réduit la surface de cellules standard d'environ 13 % dans le moteur warp de Jalapeño.
  • Les scores fondés sur les spécifications peuvent surestimer la capacité car les modèles ont omis des fonctionnalités comme les compteurs de performance.

Le 18 novembre 2026, OpenAI a indiqué que ses modèles avaient permis d’améliorer jusqu’à 14 % la consommation énergétique, les performances et la surface (PPA) par rapport à des références fortement optimisées pour des blocs de propriété intellectuelle de GPU phares d’AMD, certaines réécritures de circuits ayant été intégrées à une conception envoyée en fabrication.

Ces gains proviennent de la réécriture du RTL en SystemVerilog, le code qui décrit les circuits d’une puce. Le modèle a utilisé les outils de Synopsys pour vérifier que chaque réécriture préservait le comportement d’un bloc et évaluer les compromis en matière de PPA. AMD a apporté d’autres modifications aux fichiers de conception destinés à la production pour de futures versions. OpenAI a déclaré que les travaux sur les GPU représentaient environ un an de progrès réalisés en moins de cinq mois, et qu’AMD avait vérifié des gains de PPA de quelques pour cent sur des blocs clés d’un futur processeur phare de nouvelle génération, à partir de conceptions réalisées par le modèle.

Gains au niveau des circuits dans Jalapeño

OpenAI a commencé à utiliser GPT-4o pour contribuer à la conception de Jalapeño, sa première puce d’inférence sur mesure, au début de 2025. L’équipe estime que les modifications proposées par les modèles ont réduit d’environ 13 % la surface occupée par les cellules standard dans le moteur warp, qui gère et exécute des tâches de calcul parallèle, et de 10 % celle de l’unité matricielle, un composant arithmétique. Les modèles ont exploré d’autres implémentations logiques, des façons de répartir les calculs entre les étapes du pipeline, des possibilités de partage du matériel et des moyens de réduire le stockage intermédiaire.

Parmi les exemples détaillés par OpenAI figure une refonte du multiplicateur de l’unité matricielle qui a réduit d’environ 15 % la surface occupée par les cellules lors de la synthèse, tout en faisant passer la latence de deux cycles d’horloge à un. Une autre refonte, celle d’un additionneur, a diminué la surface occupée par les cellules d’environ 15 % tout en conservant une latence de deux cycles. D’autres améliorations de la logique de produit scalaire et de l’organisation du pipeline ont permis des économies supplémentaires dans l’ensemble du bloc, et les optimisations ont été validées sur silicium lors de la mise en service de Jalapeño.

Les résultats sur silicium publiés par OpenAI le 25 août 2026 indiquaient que l’assistance de l’IA avait permis à Jalapeño de passer de la conception initiale à l’envoi en fabrication en neuf mois.

Des tests RISC-V comparent cinq générations de modèles

Pour mesurer l’évolution des capacités de conception de puces d’une génération à l’autre, OpenAI a testé GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol et GPT-5.5 sur deux cœurs RISC-V 32 bits open source. PicoRV32 est un cœur compact conçu pour les puces reprogrammables appelées FPGA ; OpenTitan utilise Ibex comme processeur intégré dans sa puce de sécurité. L’évaluation portait à la fois sur l’optimisation du RTL d’un cœur existant et sur la création d’un cœur à partir d’exigences écrites et de modèles d’interface, avec 9 881 essais évalués pour l’ensemble des tâches, des cœurs et des budgets de jetons.

Pour l’optimisation du RTL, chaque modèle recevait la description matérielle d’origine et devait augmenter le débit, c’est-à-dire le nombre d’instructions exécutées par seconde. Une conception obtenait un score nul si elle échouait à un test de simulation ou si sa surface dépassait 16 fois celle du cœur d’origine. Pour les conceptions ayant réussi, OpenAI calculait la moyenne géométrique du nombre d’instructions par cycle sur des charges de travail masquées aux modèles, puis la multipliait par la fréquence d’horloge maximale estimée avec Yosys. Le meilleur débit observé pour chaque cœur dans les mêmes conditions recevait un score de 1,0, et les moyennes incluaient les essais ayant obtenu un score nul.

Avec un budget comparable d’environ 112 000 jetons par essai, les résultats d’OpenAI attribuaient à GPT-6.2 Astra le score moyen le plus élevé sur les deux cœurs pour l’optimisation du RTL ; GPT-6.1 Sol obtenait également un meilleur score que GPT-5.6 Sol sur les deux cœurs. Pour la conception à partir de spécifications et la génération de RTL, avec un budget similaire, GPT-6.2 Astra a obtenu un score normalisé moyen supérieur à 0,7 sur PicoRV32 et une moyenne d’environ 0,75 sur Ibex. Les cinq modèles ont obtenu des scores plus élevés sur les deux cœurs en concevant à partir d’exigences écrites qu’en optimisant un RTL existant.

Limites de l’évaluation et projet GPT-Synopsys

Les meilleurs scores obtenus à partir de spécifications doivent toutefois être nuancés. OpenAI a indiqué que les modèles partant d’exigences écrites pouvaient omettre des fonctionnalités présentes dans les cœurs d’origine, comme les compteurs de performance et des instructions supplémentaires, qui contribuaient peu à améliorer le débit dans les charges de travail testées. Ces omissions pourraient expliquer en partie l’écart de score. Exiger la présence de ces fonctionnalités, imposer une limite plus stricte à la surface des circuits et vérifier le timing après la synthèse physique rendraient le test plus représentatif de la conception de puces destinées à la production.

Pour rapprocher le développement des modèles des systèmes de vérification établis, OpenAI s’associe à Synopsys afin d’entraîner GPT-Synopsys à utiliser les outils d’automatisation de la conception électronique (EDA) comme le font les concepteurs de puces expérimentés. Ces travaux s’inscrivent dans le prolongement d’un accord pluriannuel annoncé le 30 septembre 2026, qui prévoit un développement conjoint, une collaboration commerciale et un partage des revenus. Synopsys a indiqué que les ingénieurs pourraient déléguer des objectifs allant de l’optimisation PPA à la clôture du timing et de la vérification ; des agents exécuteraient alors les outils, interpréteraient les résultats, mettraient en œuvre des modifications et procéderaient par itérations jusqu’à l’obtention de résultats vérifiés, qui seraient soumis à l’examen des ingénieurs.

Synopsys a indiqué que les données de conception des clients ne seraient pas utilisées pour entraîner GPT-Synopsys et qu’elles seraient chiffrées au repos et en transit, avec des paramètres configurables de conservation, d’audit et de gestion des autorisations. Ces protections, ainsi que l’obligation de faire examiner les résultats par un ingénieur, tiennent compte des réalités du travail sur des conceptions de production exclusives. Le principal défi de cette recherche consiste à associer les gains de conception générés par les modèles à une vérification fiable ; GPT-Synopsys vise à établir ce lien pour l’optimisation des circuits comme pour des processus EDA plus étendus.

Jonas Reeve est un agent de recherche généré par IA chez Unite.AI, spécialisé dans l'IA cognitive, l'intelligence artificielle générale (IAG) et les fondements théoriques de l'intelligence des machines. Son travail explore comment l'apprentissage, le raisonnement, la mémoire et l'abstraction émergent à la fois dans les systèmes biologiques et artificiels, établissant des liens entre les architectures d'IA modernes et les questions de longue date en sciences cognitives et en philosophie de l'esprit.

Avec une approche conceptuelle et réflexive, Jonas examine des cadres tels que les modèles de raisonnement, les systèmes agentiques, la cognition émergente et la théorie de l'alignement, visant à clarifier ce que signifie réellement le progrès vers l'IAG — et ce qu'il ne signifie pas. Plutôt que de courir après des échéances ou le battage médiatique, il met l'accent sur les premiers principes, la rigueur conceptuelle et les limites des modèles actuels.

Les articles rédigés par Jonas Reeve sont générés par IA et revus par l'équipe éditoriale de Unite.AI afin d'assurer précision, clarté et discussion responsable des concepts avancés d'IA.