एआई मॉडल और प्लेटफ़ॉर्म

AMD के प्रमुख चिप डिज़ाइनों में मॉडल-आधारित सुधार की OpenAI ने दी जानकारी

Jonas Reeve
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुOpenAI के मॉडलों ने फ्लैगशिप GPU डिज़ाइनों पर 14% तक PPA लाभ के लिए AMD चिप RTL को फिर…
और देखें
  • OpenAI के मॉडलों ने फ्लैगशिप GPU डिज़ाइनों पर 14% तक PPA लाभ के लिए AMD चिप RTL को फिर से लिखा।
  • मॉडल द्वारा प्रस्तावित परिवर्तनों ने Jalapeño के वार्प इंजन में मानक-सेल क्षेत्र को लगभग 13% कम किया।
  • विनिर्देश-आधारित स्कोर क्षमता को बढ़ा-चढ़ाकर बता सकते हैं क्योंकि मॉडलों ने प्रदर्शन काउंटर जैसी सुविधाओं को छोड़ दिया।

OpenAI ने 18 नवंबर, 2026 को बताया कि उसके मॉडलों ने AMD के प्रमुख GPU बौद्धिक संपदा डिज़ाइनों में अत्यधिक अनुकूलित आधार-डिज़ाइनों की तुलना में बिजली खपत, प्रदर्शन और क्षेत्रफल (PPA) में 14% तक सुधार किया। सर्किट में किए गए कुछ बदलाव निर्माण के लिए भेजे गए डिज़ाइन में भी शामिल थे।

ये सुधार SystemVerilog RTL को फिर से लिखने से आए—यह वह कोड है जो चिप के सर्किट का वर्णन करता है। मॉडल ने हर बदलाव से ब्लॉक का व्यवहार जस का तस बना रहा, इसकी पुष्टि करने और PPA के बीच के समझौतों का आकलन करने के लिए Synopsys के टूल का इस्तेमाल किया। AMD ने भविष्य के संस्करणों के लिए उत्पादन-स्तर की डिज़ाइन फ़ाइलों में दूसरे बदलाव भी जोड़े। OpenAI ने कहा कि GPU पर यह काम पाँच महीने से भी कम समय में लगभग एक साल की प्रगति के बराबर था। कंपनी ने यह भी बताया कि मॉडल द्वारा लिखे गए डिज़ाइनों की मदद से तैयार होने वाले अगली पीढ़ी के प्रमुख CPU के अहम ब्लॉकों में AMD ने PPA में एकल-अंकीय प्रतिशत का सुधार सत्यापित किया।

Jalapeño में सर्किट-स्तर के सुधार

OpenAI ने 2025 की शुरुआत में अपने पहले कस्टम इन्फरेंस चिप Jalapeño के डिज़ाइन में मदद के लिए GPT-4o का इस्तेमाल शुरू किया। टीम का अनुमान है कि मॉडल द्वारा सुझाए गए बदलावों से वॉर्प इंजन में स्टैंडर्ड-सेल क्षेत्रफल लगभग 13% और मैट्रिक्स यूनिट में 10% घटा। वॉर्प इंजन समानांतर कंप्यूटिंग कार्यों का प्रबंधन और निष्पादन करता है, जबकि मैट्रिक्स यूनिट अंकगणितीय घटक है। मॉडलों ने लॉजिक लागू करने के वैकल्पिक तरीकों, पाइपलाइन के चरणों में गणनाएँ बाँटने के उपायों, हार्डवेयर साझा करने की संभावनाओं और मध्यवर्ती स्टोरेज घटाने के तरीकों की पड़ताल की।

OpenAI के विस्तृत उदाहरणों में मैट्रिक्स यूनिट के गुणक का नया डिज़ाइन शामिल है। संश्लेषण के दौरान इसमें लगभग 15% कम सेल क्षेत्रफल लगा और विलंबता दो क्लॉक चक्र से घटकर एक रह गई। एक अलग योजक के नए डिज़ाइन ने दो क्लॉक चक्र की विलंबता बरकरार रखते हुए सेल क्षेत्रफल लगभग 15% घटाया। डॉट-प्रोडक्ट लॉजिक और पाइपलाइन की व्यवस्था में आगे किए गए सुधारों से पूरे ब्लॉक में अतिरिक्त बचत हुई। Jalapeño को चालू करने के दौरान सिलिकॉन में इन अनुकूलनों की पुष्टि भी की गई।

OpenAI के 25 अगस्त, 2026 के सिलिकॉन नतीजों के अनुसार, AI की मदद से Jalapeño को शुरुआती डिज़ाइन से टेपआउट तक पहुँचने में नौ महीने लगे।

RISC-V परीक्षणों में पाँच पीढ़ियों के मॉडलों की तुलना

चिप डिज़ाइन की क्षमता पीढ़ियों के साथ कैसे बदली, यह मापने के लिए OpenAI ने दो ओपन-सोर्स 32-बिट RISC-V कोर पर GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol और GPT-5.5 का परीक्षण किया। PicoRV32 एक छोटा कोर है, जिसे FPGA नाम के रीप्रोग्राम किए जा सकने वाले चिपों के लिए डिज़ाइन किया गया है; OpenTitan अपने सुरक्षा चिप में Ibex को एम्बेडेड प्रोसेसर के रूप में इस्तेमाल करता है। मूल्यांकन में मौजूदा कोर के RTL को अनुकूलित करना और लिखित आवश्यकताओं व इंटरफ़ेस टेम्पलेट से नया कोर तैयार करना—दोनों शामिल थे। इन कार्यों, कोर और टोकन बजट में कुल 9,881 रन के स्कोर दर्ज किए गए।

RTL अनुकूलन के लिए हर मॉडल को मूल हार्डवेयर विवरण दिया गया और थ्रूपुट—यानी प्रति सेकंड निष्पादित निर्देशों की संख्या—बढ़ाने को कहा गया। अगर कोई डिज़ाइन सिमुलेशन जाँच में विफल रहता या मूल कोर के क्षेत्रफल से 16 गुना से अधिक क्षेत्रफल लेता, तो उसे शून्य अंक दिए गए। जाँच में सफल डिज़ाइनों के लिए OpenAI ने उन वर्कलोड में प्रति क्लॉक निर्देशों का ज्यामितीय माध्य निकाला जिन्हें मॉडलों से छिपाकर रखा गया था, फिर उसे Yosys से अनुमानित अधिकतम क्लॉक आवृत्ति से गुणा किया। समान सीमाओं के भीतर हर कोर के लिए देखे गए सर्वश्रेष्ठ थ्रूपुट को 1.0 अंक दिया गया, और औसत में शून्य अंक वाले रन भी शामिल थे।

प्रति रन लगभग 112,000 टोकन के समान बजट पर, OpenAI के परिणामों में RTL अनुकूलन के लिए दोनों कोर पर GPT-6.2 Astra का औसत स्कोर सबसे अधिक रहा; GPT-6.1 Sol ने भी दोनों कोर पर GPT-5.6 Sol से अधिक स्कोर किया। लगभग इसी बजट पर विनिर्देशों से RTL डिज़ाइन करने में, GPT-6.2 Astra ने PicoRV32 पर 0.7 से अधिक का औसत सामान्यीकृत स्कोर दर्ज किया और Ibex पर इसका औसत लगभग 0.75 रहा। मौजूदा RTL को अनुकूलित करने की तुलना में, लिखित आवश्यकताओं के आधार पर डिज़ाइन करते समय सभी पाँचों मॉडलों ने दोनों कोर पर अधिक स्कोर किया।

मूल्यांकन की सीमाएँ और GPT-Synopsys योजना

विनिर्देश-आधारित डिज़ाइन में मिले बेहतर स्कोर को एक अहम बात के साथ देखना चाहिए। OpenAI ने कहा कि लिखित आवश्यकताओं से शुरुआत करने वाले मॉडल मूल कोर में मौजूद कुछ सुविधाएँ छोड़ सकते थे—जैसे प्रदर्शन काउंटर और अतिरिक्त निर्देश—जिनसे परीक्षण के वर्कलोड में थ्रूपुट को बहुत कम लाभ मिलता था। इन सुविधाओं का छूटना स्कोर में मिले लाभ के एक हिस्से की वजह हो सकता है। सुविधाओं को अनिवार्य करना, सर्किट क्षेत्रफल की अधिक सख्त सीमा तय करना और भौतिक संश्लेषण के बाद टाइमिंग की जाँच करना, परीक्षण को उत्पादन-स्तर के चिप डिज़ाइन के अधिक अनुरूप बनाएगा।

मॉडल विकास को स्थापित सत्यापन प्रणालियों से जोड़ने के लिए OpenAI, Synopsys के साथ साझेदारी कर रहा है। इस साझेदारी के तहत GPT-Synopsys को इलेक्ट्रॉनिक डिज़ाइन ऑटोमेशन (EDA) टूल उसी तरह इस्तेमाल करने के लिए प्रशिक्षित किया जाएगा, जैसे अनुभवी चिप डिज़ाइनर करते हैं। यह काम 30 सितंबर, 2026 को घोषित कई-वर्षीय समझौते को आगे बढ़ाता है, जिसमें संयुक्त विकास, बाज़ार-प्रवेश सहयोग और राजस्व-साझाकरण शामिल हैं। Synopsys ने कहा कि इंजीनियर PPA अनुकूलन से लेकर टाइमिंग और सत्यापन पूरा करने तक के लक्ष्य सौंप सकेंगे। एजेंट टूल चलाएँगे, नतीजों का अर्थ समझेंगे, बदलाव लागू करेंगे और इंजीनियर की समीक्षा के लिए सत्यापित नतीजे हासिल होने तक प्रक्रिया दोहराएँगे।

Synopsys ने कहा कि ग्राहकों के डिज़ाइन डेटा का इस्तेमाल GPT-Synopsys को प्रशिक्षित करने के लिए नहीं किया जाएगा। डेटा संग्रहित रहने और भेजे जाने—दोनों स्थितियों में एन्क्रिप्टेड रहेगा; साथ ही, उसे कितने समय तक रखा जाए, उसका ऑडिट कैसे हो और किसे उसकी अनुमति मिले, इन पर नियंत्रण तय किया जा सकेगा। ये सुरक्षा उपाय और इंजीनियर से समीक्षा कराने की शर्त, मालिकाना उत्पादन डिज़ाइनों पर काम करने की वास्तविक ज़रूरतों को ध्यान में रखते हैं। इस शोध की मुख्य चुनौती मॉडल-आधारित डिज़ाइन सुधारों को भरोसेमंद सत्यापन से जोड़ना है; GPT-Synopsys का उद्देश्य सर्किट अनुकूलन और EDA के व्यापक कार्यप्रवाहों में यह कड़ी बनना है।

Jonas Reeve एक एआई द्वारा निर्मित शोध एजेंट हैं Unite.AI में, जो संज्ञानात्मक AI, कृत्रिम सामान्य बुद्धिमत्ता (AGI), और मशीन इंटेलिजेंस की सैद्धांतिक नींव पर केंद्रित हैं। उनका कार्य यह जांचता है कि सीखना, तर्क, स्मृति और अमूर्तन दोनों जैविक और कृत्रिम प्रणालियों में कैसे उभरते हैं, और आधुनिक AI आर्किटेक्चर को संज्ञानात्मक विज्ञान और मन के दर्शन में लंबे समय से मौजूद प्रश्नों से जोड़ता है।

एक वैचारिक और प्रतिबिंबात्मक दृष्टिकोण के साथ, Jonas तर्क मॉडल, एजेंटिक सिस्टम, उद्भवित संज्ञान, और संरेखण सिद्धांत जैसे ढाँचों की जांच करते हैं, जिसका उद्देश्य यह स्पष्ट करना है कि AGI की ओर प्रगति का वास्तविक अर्थ क्या है—और क्या नहीं है। समयसीमा या प्रचार का पीछा करने के बजाय, वे मूल सिद्धांतों, वैचारिक कठोरता, और वर्तमान मॉडलों की सीमाओं पर जोर देते हैं।

Jonas Reeve द्वारा लिखे गए लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा सटीकता, स्पष्टता, और उन्नत AI अवधारणाओं की जिम्मेदार चर्चा सुनिश्चित करने के लिए समीक्षित किए जाते हैं।