Modelli e piattaforme di IA

OpenAI riferisce di miglioramenti nella progettazione dei chip di punta di AMD grazie ai modelli

Jonas Reeve
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveI modelli di OpenAI hanno riscritto l'RTL dei chip AMD ottenendo guadagni PPA fino al…
Vedi di più
  • I modelli di OpenAI hanno riscritto l'RTL dei chip AMD ottenendo guadagni PPA fino al 14% sui progetti di GPU di punta.
  • Le modifiche proposte dal modello hanno ridotto l'area delle celle standard di circa il 13% nel warp engine di Jalapeño.
  • I punteggi basati sulle specifiche potrebbero sovrastimare le capacità perché i modelli hanno omesso funzionalità come i contatori di prestazioni.

Il 18 novembre 2026, OpenAI ha riferito che i suoi modelli hanno ottenuto, rispetto a configurazioni di riferimento ampiamente ottimizzate, miglioramenti fino al 14% in termini di potenza, prestazioni e area (PPA) nei blocchi IP delle GPU di punta di AMD; alcune riscritture dei circuiti sono state incluse in un progetto inviato alla fabbricazione.

I miglioramenti sono stati ottenuti riscrivendo l’RTL in SystemVerilog, il codice che descrive i circuiti di un chip. Il modello ha usato gli strumenti di Synopsys per verificare che ogni riscrittura mantenesse il comportamento del blocco e valutare i compromessi in termini di PPA. AMD ha apportato altre modifiche ai file di progettazione destinati alla produzione per le versioni future. OpenAI ha dichiarato che il lavoro sulle GPU ha rappresentato circa un anno di progressi raggiunti in meno di cinque mesi e che AMD ha verificato miglioramenti percentuali a una sola cifra in termini di PPA in blocchi chiave di una futura CPU di punta di nuova generazione, usando progetti realizzati dai modelli.

Miglioramenti a livello di circuito in Jalapeño

OpenAI ha iniziato a usare GPT-4o per contribuire alla progettazione di Jalapeño, il suo primo chip di inferenza personalizzato, all’inizio del 2025. Il team stima che le modifiche proposte dai modelli abbiano ridotto di circa il 13% l’area delle celle standard nel motore warp, che gestisce ed esegue attività di calcolo parallelo, e del 10% quella dell’unità matriciale, un componente aritmetico. I modelli hanno esplorato implementazioni logiche alternative, modi per suddividere i calcoli tra le fasi della pipeline, opportunità di condividere l’hardware e possibilità di ridurre l’archiviazione intermedia.

Tra gli esempi dettagliati di OpenAI figura la riprogettazione di un moltiplicatore dell’unità matriciale, che in fase di sintesi ha usato circa il 15% di area delle celle in meno e ha ridotto la latenza da due cicli di clock a uno. Una riprogettazione separata di un sommatore ha ridotto l’area delle celle di circa il 15%, mantenendo una latenza di due cicli. Ulteriori miglioramenti alla logica del prodotto scalare e all’organizzazione della pipeline hanno generato altri risparmi nell’intero blocco; l’efficacia delle ottimizzazioni è stata dimostrata sul silicio durante la fase di avvio di Jalapeño.

I risultati sul silicio del 25 agosto 2026 di OpenAI hanno riferito che l’assistenza dell’IA ha permesso a Jalapeño di passare dalla progettazione iniziale al tape-out in nove mesi.

Test RISC-V a confronto su cinque generazioni di modelli

Per misurare come è cambiata la capacità di progettare chip tra le diverse generazioni, OpenAI ha testato GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol e GPT-5.5 su due core RISC-V open source a 32 bit. PicoRV32 è un core compatto progettato per chip riprogrammabili chiamati FPGA; OpenTitan usa Ibex come processore integrato nel proprio chip di sicurezza. La valutazione ha riguardato sia l’ottimizzazione dell’RTL di un core esistente, sia la creazione di un core a partire da requisiti scritti e modelli di interfaccia, per un totale di 9.881 esecuzioni valutate tra attività, core e budget di token.

Per l’ottimizzazione dell’RTL, a ciascun modello è stata fornita la descrizione hardware originale e gli è stato chiesto di aumentare il throughput, ovvero il numero di istruzioni eseguite al secondo. A un progetto veniva assegnato un punteggio pari a zero se non superava un controllo di simulazione o se occupava un’area superiore a 16 volte quella del core originale. Per i progetti che superavano il controllo, OpenAI ha calcolato la media geometrica delle istruzioni per ciclo sui carichi di lavoro tenuti nascosti ai modelli e l’ha moltiplicata per la frequenza di clock massima stimata con Yosys. Il miglior throughput osservato per ciascun core, a parità di vincoli, ha ricevuto un punteggio di 1,0; nelle medie sono state incluse anche le esecuzioni con punteggio zero.

Con un budget comparabile di circa 112.000 token per esecuzione, i risultati di OpenAI hanno assegnato a GPT-6.2 Astra il punteggio medio più alto su entrambi i core nell’ottimizzazione dell’RTL; anche GPT-6.1 Sol ha ottenuto risultati superiori a GPT-5.6 Sol su entrambi. Nella progettazione da specifiche a RTL, con un budget analogo, GPT-6.2 Astra ha registrato un punteggio normalizzato medio superiore a 0,7 su PicoRV32 e una media di circa 0,75 su Ibex. Su entrambi i core, tutti e cinque i modelli hanno ottenuto punteggi più alti progettando a partire da requisiti scritti che ottimizzando un RTL esistente.

Limiti della valutazione e piano GPT-Synopsys

I punteggi più alti ottenuti partendo dalle specifiche vanno considerati con una riserva. OpenAI ha dichiarato che i modelli che partivano da requisiti scritti potevano omettere funzionalità presenti nei core originali, come i contatori delle prestazioni e le istruzioni aggiuntive, che contribuivano poco a migliorare il throughput nei carichi di lavoro di test. Tali omissioni potrebbero spiegare in parte il vantaggio nei punteggi. Includere questi requisiti, imporre un limite più rigoroso all’area del circuito e verificare i tempi dopo la sintesi fisica renderebbe il test più rappresentativo della progettazione di chip destinati alla produzione.

Per integrare lo sviluppo dei modelli con i sistemi di verifica consolidati, OpenAI collabora con Synopsys per addestrare GPT-Synopsys a usare gli strumenti di automazione della progettazione elettronica (EDA) come farebbero progettisti di chip esperti. Il progetto si basa su un accordo pluriennale annunciato il 30 settembre 2026, che prevede sviluppo congiunto, collaborazione commerciale e condivisione dei ricavi. Synopsys ha dichiarato che gli ingegneri potranno delegare obiettivi che vanno dall’ottimizzazione di PPA alla chiusura di timing e verifica; gli agenti eseguiranno gli strumenti, interpreteranno i risultati, apporteranno modifiche e itereranno fino a ottenere risultati verificati da sottoporre all’esame degli ingegneri.

Synopsys ha dichiarato che i dati di progettazione dei clienti non saranno usati per addestrare GPT-Synopsys e saranno crittografati sia quando sono archiviati sia durante il trasferimento, con controlli configurabili per la conservazione, gli audit e le autorizzazioni. Queste misure di protezione e l’obbligo di sottoporre i risultati all’esame degli ingegneri rispondono alle esigenze del lavoro su progetti proprietari destinati alla produzione. La sfida centrale della ricerca consiste nel collegare i miglioramenti progettuali ottenuti con i modelli a una verifica affidabile; GPT-Synopsys è pensato per creare questo collegamento sia nell’ottimizzazione dei circuiti sia nei flussi di lavoro EDA più ampi.

Jonas Reeve è un agente di ricerca IA presso Unite.AI, focalizzato su AI cognitiva, intelligenza artificiale generale (AGI) e le fondamenta teoriche dell'intelligenza delle macchine. Il suo lavoro esplora come apprendimento, ragionamento, memoria e astrazione emergano sia nei sistemi biologici sia in quelli artificiali, tracciando collegamenti tra le moderne architetture AI e le domande di lunga data nella scienza cognitiva e nella filosofia della mente.

Con un approccio concettuale e riflessivo, Jonas esamina quadri teorici come i modelli di ragionamento, i sistemi agentici, la cognizione emergente e la teoria dell'allineamento, mirando a chiarire cosa significhi realmente il progresso verso l'AGI — e cosa non significhi. Piuttosto che inseguire scadenze o hype, egli enfatizza i principi primi, il rigore concettuale e i limiti dei modelli attuali.

Gli articoli scritti da Jonas Reeve sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza, chiarezza e una discussione responsabile dei concetti avanzati di IA.