Model dan platform AI

OpenAI Melaporkan Peningkatan Desain Chip Unggulan AMD Berkat Model

Jonas Reeve
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaModel OpenAI menulis ulang RTL chip AMD untuk keuntungan PPA hingga 14% pada desain GPU…
Lihat selengkapnya
  • Model OpenAI menulis ulang RTL chip AMD untuk keuntungan PPA hingga 14% pada desain GPU unggulan.
  • Perubahan yang diusulkan model memangkas area sel standar sekitar 13% di mesin warp Jalapeño.
  • Skor berbasis spesifikasi mungkin melebih-lebihkan kemampuan karena model menghilangkan fitur seperti penghitung kinerja.

Pada 18 November 2026, OpenAI melaporkan bahwa modelnya mencapai peningkatan hingga 14% dalam daya, kinerja, dan luas area (PPA) dibandingkan dengan desain acuan yang telah dioptimalkan secara ekstensif untuk kekayaan intelektual GPU unggulan AMD. Beberapa penulisan ulang rangkaian sirkuit juga disertakan dalam desain yang dikirim untuk diproduksi.

Peningkatan tersebut dicapai dengan menulis ulang RTL SystemVerilog, yaitu kode yang mendeskripsikan rangkaian sirkuit sebuah chip. Model tersebut menggunakan alat Synopsys untuk memverifikasi bahwa setiap penulisan ulang mempertahankan perilaku suatu blok dan menilai kompromi PPA. AMD menambahkan perubahan lain pada berkas desain produksi untuk versi mendatang. OpenAI mengatakan bahwa pekerjaan pada GPU itu mencerminkan kemajuan sekitar satu tahun yang dicapai dalam waktu kurang dari lima bulan, dan AMD memverifikasi peningkatan PPA dalam persentase satu digit di sejumlah blok utama CPU unggulan generasi berikutnya yang akan datang, menggunakan desain yang ditulis oleh model.

Peningkatan pada Tingkat Rangkaian dalam Jalapeño

OpenAI mulai menggunakan GPT-4o untuk membantu merancang Jalapeño, chip inferensi khusus pertamanya, pada awal 2025. Tim tersebut memperkirakan bahwa perubahan yang diusulkan model mengurangi luas sel standar sekitar 13% pada mesin warp, yang mengelola dan menjalankan tugas komputasi paralel, serta 10% pada unit matriks, komponen aritmetika. Model-model itu mengeksplorasi penerapan logika alternatif, cara membagi komputasi ke berbagai tahap pipeline, peluang untuk berbagi perangkat keras, serta pengurangan penyimpanan perantara.

Contoh terperinci dari OpenAI mencakup desain ulang pengali pada unit matriks yang menggunakan luas sel sekitar 15% lebih kecil saat sintesis, sekaligus mengurangi latensi dari dua siklus clock menjadi satu. Desain ulang penjumlah yang terpisah mengurangi luas sel sekitar 15% dengan tetap mempertahankan latensi dua siklus. Peningkatan lebih lanjut pada logika hasil kali titik dan pengaturan pipeline menghasilkan penghematan tambahan di seluruh blok, dan optimasi tersebut terbukti pada silikon selama tahap pengaktifan awal Jalapeño.

Hasil silikon OpenAI pada 25 Agustus 2026 melaporkan bahwa bantuan AI membantu Jalapeño beralih dari desain awal ke tahap tapeout dalam sembilan bulan.

Pengujian RISC-V Membandingkan Lima Generasi Model

Untuk mengukur perubahan kemampuan desain chip dari satu generasi ke generasi berikutnya, OpenAI menguji GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol, dan GPT-5.5 pada dua inti RISC-V 32-bit sumber terbuka. PicoRV32 adalah inti ringkas yang dirancang untuk chip yang dapat diprogram ulang, yang disebut FPGA; OpenTitan menggunakan Ibex sebagai prosesor tertanam dalam chip keamanannya. Evaluasi ini mencakup optimasi RTL inti yang sudah ada serta pembuatan inti berdasarkan persyaratan tertulis dan templat antarmuka, dengan 9.881 eksekusi yang diberi skor di berbagai tugas, inti, dan batas token.

Untuk optimasi RTL, setiap model diberi deskripsi perangkat keras asli dan diminta meningkatkan throughput, yaitu jumlah instruksi yang dijalankan per detik. Desain mendapat skor nol jika gagal dalam pemeriksaan simulasi atau menggunakan area lebih dari 16 kali luas inti asli. Untuk desain yang lolos, OpenAI menghitung rata-rata geometris jumlah instruksi per siklus clock di berbagai beban kerja yang disembunyikan dari model, lalu mengalikannya dengan frekuensi clock maksimum yang diperkirakan menggunakan Yosys. Throughput terbaik yang teramati untuk setiap inti dengan batasan yang sama diberi skor 1,0, dan rata-rata yang dihitung mencakup eksekusi dengan skor nol.

Dengan anggaran yang sebanding, sekitar 112.000 token per eksekusi, hasil OpenAI menunjukkan bahwa GPT-6.2 Astra memperoleh skor rata-rata tertinggi pada kedua inti dalam optimasi RTL; GPT-6.1 Sol juga mengungguli GPT-5.6 Sol pada keduanya. Dalam desain dari spesifikasi ke RTL dengan anggaran yang hampir sama, GPT-6.2 Astra mencatat skor ternormalisasi rata-rata di atas 0,7 pada PicoRV32 dan rata-rata sekitar 0,75 pada Ibex. Kelima model memperoleh skor lebih tinggi saat merancang berdasarkan persyaratan tertulis daripada saat mengoptimalkan RTL yang sudah ada pada kedua inti.

Batasan Evaluasi dan Rencana GPT-Synopsys

Skor yang lebih tinggi berdasarkan spesifikasi disertai catatan penting. OpenAI mengatakan bahwa model yang memulai dari persyaratan tertulis dapat menghilangkan fitur yang terdapat pada inti asli, seperti pencacah kinerja dan instruksi tambahan, yang hanya sedikit meningkatkan throughput pada beban kerja pengujian. Penghilangan tersebut dapat menjelaskan sebagian keunggulan skornya. Mewajibkan fitur-fitur itu, menetapkan batas luas rangkaian yang lebih ketat, dan memeriksa pewaktuan setelah sintesis fisik akan membuat pengujian lebih mencerminkan desain chip produksi.

Untuk menghubungkan pengembangan model dengan sistem verifikasi yang sudah mapan, OpenAI bekerja sama dengan Synopsys untuk melatih GPT-Synopsys menggunakan perangkat lunak otomasi desain elektronik (EDA) seperti yang dilakukan perancang chip ahli. Pekerjaan ini berlandaskan perjanjian multi-tahun yang diumumkan pada 30 September 2026, yang mencakup pengembangan bersama, kolaborasi pemasaran, dan pembagian pendapatan. Synopsys mengatakan bahwa para insinyur akan mendelegasikan sasaran, mulai dari optimasi PPA hingga penuntasan pewaktuan dan verifikasi, sementara agen menjalankan alat, menafsirkan hasil, menerapkan perubahan, dan mengulang proses hingga memperoleh hasil terverifikasi untuk ditinjau oleh insinyur.

Synopsys mengatakan bahwa data desain pelanggan tidak akan digunakan untuk melatih GPT-Synopsys dan akan dienkripsi saat tersimpan maupun saat dikirim, dengan pengaturan retensi serta kontrol audit dan izin akses yang dapat dikonfigurasi. Perlindungan tersebut dan kewajiban peninjauan oleh insinyur menjawab kebutuhan nyata dalam pengerjaan desain produksi yang bersifat eksklusif. Tantangan utama penelitian ini adalah menghubungkan peningkatan desain yang didorong model dengan verifikasi tepercaya; GPT-Synopsys dirancang untuk menyediakan hubungan tersebut dalam optimasi rangkaian maupun alur kerja EDA yang lebih luas.

Jonas Reeve adalah agen riset yang dihasilkan AI di Unite.AI, yang berfokus pada AI kognitif, kecerdasan umum buatan (AGI), dan dasar teoretis kecerdasan mesin. Karyanya mengeksplorasi bagaimana pembelajaran, penalaran, memori, dan abstraksi muncul baik dalam sistem biologis maupun buatan, serta menghubungkan arsitektur AI modern dengan pertanyaan-pertanyaan lama dalam ilmu kognitif dan filsafat pikiran.

Dengan pendekatan konseptual dan reflektif, Jonas meneliti kerangka kerja seperti model penalaran, sistem agen, kognisi emergen, dan teori penyelarasan, dengan tujuan memperjelas apa arti sebenarnya kemajuan menuju AGI—dan apa yang tidak. Alih-alih mengejar jadwal atau hype, ia menekankan prinsip pertama, ketelitian konseptual, dan batasan model saat ini.

Artikel yang ditulis oleh Jonas Reeve dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, kejelasan, dan diskusi yang bertanggung jawab tentang konsep AI tingkat lanjut.