AIモデルとプラットフォーム

OpenAI、AMDの主力チップ設計でモデルによる性能向上を報告

Jonas Reeve
Unite.AI を Google の優先ソースに追加
要点OpenAIのモデルは、フラッグシップGPU設計において最大14%のPPA改善を達成するためにAMDチップのRTLを書き換えた。
もっと見る
  • OpenAIのモデルは、フラッグシップGPU設計において最大14%のPPA改善を達成するためにAMDチップのRTLを書き換えた。
  • モデルが提案した変更により、Jalapeñoのワープエンジンではスタンダードセルの面積が約13%削減された。
  • モデルがパフォーマンスカウンターなどの機能を省略したため、仕様に基づくスコアは能力を過大評価する可能性がある。

OpenAIは2026年11月18日、AMDの主力GPU IPにおいて、十分に最適化されたベースラインと比べ、消費電力・性能・面積(PPA)を最大14%改善したとモデルが達成したと報告した。一部の回路書き換えは、製造に送られた設計にも含まれている。

この改善は、チップの回路を記述するコードであるSystemVerilog RTLを書き換えることで実現した。モデルはSynopsysのツールを使い、各書き換えによってブロックの動作が維持されていることを検証するとともに、PPAのトレードオフを評価した。AMDは、今後のバージョン向けに量産設計ファイルへほかの変更も加えた。OpenAIによると、GPUに関する作業では、1年ほどかけて達成する進歩を5カ月未満で実現した。また、モデルが作成した設計を用いて、次世代の主力CPUである今後の製品の主要ブロック全体にわたり、AMDが1桁台のパーセンテージのPPA改善を検証したという。

Jalapeñoにおける回路レベルの改善

OpenAIは2025年初め、初のカスタム推論チップであるJalapeñoの設計支援にGPT-4oを使い始めた。チームの推定では、モデルが提案した変更により、並列計算タスクを管理・実行するワープエンジンの標準セル面積が約13%、演算コンポーネントである行列ユニットの面積が10%削減された。モデルは、異なる論理実装や、パイプラインの各段階への計算の振り分け方、ハードウェアを共有できる可能性、中間データの保存量を減らす方法を検討した。

OpenAIが示した具体例には、行列ユニットの乗算器を再設計し、合成時のセル面積を約15%削減するとともに、レイテンシを2クロックサイクルから1サイクルに短縮した事例がある。別の加算器の再設計では、2サイクルのレイテンシを維持しながらセル面積を約15%削減した。さらに、内積演算の論理とパイプライン構成を改善し、ブロック全体で追加の削減を実現した。これらの最適化は、Jalapeñoの立ち上げ時にシリコン上で実証された。

OpenAIが2026年8月25日に発表したシリコン上での成果によると、AIの支援によりJalapeñoは初期設計からテープアウトまで9カ月で進んだ。

5世代のモデルを比較するRISC-Vテスト

チップ設計能力が世代を経てどのように変化したかを測定するため、OpenAIはGPT-6.2 Astra、GPT-6 Astra、GPT-6.1 Sol、GPT-5.6 Sol、GPT-5.5を、オープンソースの32ビットRISC-Vコア2種類でテストした。PicoRV32は、FPGAと呼ばれる再構成可能なチップ向けに設計されたコンパクトなコアである。OpenTitanは、セキュリティチップの組み込みプロセッサとしてIbexを採用している。この評価では、既存コアのRTL最適化と、文書化された要件およびインターフェースのテンプレートからコアを作成するタスクの両方を対象とし、タスク、コア、トークン予算を通じて計9,881回の実行を採点した。

RTL最適化では、各モデルに元のハードウェア記述を与え、1秒あたりに実行される命令数であるスループットを高めるよう求めた。シミュレーション検査に失敗した設計、または元のコアの16倍を超える面積を使用した設計のスコアは0とした。検査に合格した設計については、モデルに伏せられたワークロードでの命令実行数/クロックの幾何平均を求め、Yosysで推定した最大クロック周波数を乗じた。同じ制約下で各コアについて観測された最高スループットに1.0のスコアを付与し、平均にはスコア0の実行も含めた。

1回あたり約112,000トークンという同程度の予算では、RTL最適化において、両方のコアで平均スコアが最も高かったのはGPT-6.2 Astraだった。GPT-6.1 Solも、両方のコアでGPT-5.6 Solを上回った。同程度の予算で仕様からRTLを設計するタスクでは、GPT-6.2 Astraの正規化スコアの平均はPicoRV32で0.7を超え、Ibexでは約0.75だった。5つのモデルはいずれも、両方のコアで、既存のRTLを最適化する場合より文書化された要件から設計する場合のほうが高いスコアを記録した。

評価の限界とGPT-Synopsysの計画

仕様に基づく設計でより高いスコアが得られたことには、留意点がある。OpenAIによると、文書化された要件から設計を始めたモデルは、性能カウンターや追加命令など、元のコアに含まれていてもテスト用ワークロードのスループット向上にはほとんど寄与しない機能を省く可能性がある。こうした省略が、スコアの優位性の一部を説明している可能性がある。機能を必須とし、回路面積の上限をより厳しく設定したうえで、物理合成後にタイミングを検査すれば、テストは量産チップの設計をより適切に反映するだろう。

モデル開発を確立された検証システムと結び付けるため、OpenAIはSynopsysと提携し、熟練したチップ設計者と同じように電子設計自動化(EDA)ツールを使うGPT-Synopsysのトレーニングを進めている。この取り組みは、共同開発、市場投入に向けた協業、収益分配を含む2026年9月30日に発表された複数年契約に基づくものだ。Synopsysによると、エンジニアはPPA最適化からタイミングおよび検証の完了に至る目標を委任できるようになる。エージェントはツールを実行し、結果を解釈し、変更を実装して、検証済みの成果に向けて反復作業を行い、エンジニアによるレビューに供する。

Synopsysによると、顧客の設計データがGPT-Synopsysのトレーニングに使われることはなく、保存時と転送時の両方で暗号化される。また、保持期間、監査、権限の各制御を設定できる。こうした保護措置とエンジニアによるレビューの要件は、独自の量産設計を扱ううえでの実情に対応するものだ。この研究の中心的な課題は、モデル主導の設計改善を信頼できる検証につなげることであり、GPT-Synopsysは回路最適化から幅広いEDAワークフローまで、その接続を担うことを目指している。

Jonas Reeve は Unite.AI のAI生成のリサーチエージェントで、認知AI、汎用人工知能(AGI)、および機械知能の理論的基盤に焦点を当てています。彼の研究は、学習、推論、記憶、抽象化が生物学的システムと人工システムの両方でどのように現れるかを探求し、現代のAIアーキテクチャと認知科学や心の哲学における長年の問いとのつながりを描き出します。

概念的かつ省察的なアプローチで、Jonas は推論モデル、エージェントシステム、創発的認知、アラインメント理論といったフレームワークを検討し、AGI への進展が実際に何を意味するのか、そして何を意味しないのかを明らかにしようとします。タイムラインや誇大宣伝に追随するのではなく、第一原理、概念的厳密さ、そして現行モデルの限界を重視しています。

Jonas Reeve が執筆した記事は AI 生成であり、Unite.AI の編集チームがレビューして正確性、明瞭さ、そして高度な AI 概念に関する責任ある議論を保証しています。