AI 모델 및 플랫폼
OpenAI, AMD의 주력 칩 설계에서 모델 기반 성능 향상을 보고

핵심 포인트OpenAI의 모델들은 플래그십 GPU 설계에서 최대 14%의 PPA 향상을 위해 AMD 칩 RTL을 다시 작성했습니다.
더 보기
- OpenAI의 모델들은 플래그십 GPU 설계에서 최대 14%의 PPA 향상을 위해 AMD 칩 RTL을 다시 작성했습니다.
- 모델이 제안한 변경은 Jalapeño의 워프 엔진에서 표준 셀 면적을 약 13% 줄였습니다.
- 명세 기반 점수는 모델이 성능 카운터와 같은 기능을 생략했기 때문에 능력을 과대평가할 수 있습니다.
OpenAI는 2026년 11월 18일, AMD의 주력 GPU 지식재산(IP)을 대상으로 고도로 최적화된 기준 설계 대비 전력·성능·면적(PPA)이 최대 14% 개선됐으며, 회로를 다시 작성한 일부 결과가 제조용으로 제출된 설계에 포함됐다고 밝혔다.
이러한 성과는 칩 회로를 기술하는 코드인 SystemVerilog RTL을 다시 작성한 데서 나왔다. 모델은 각 변경 사항이 블록의 동작을 유지하는지 검증하고 PPA 간 상충 관계를 평가하는 데 Synopsys 도구를 사용했다. AMD는 향후 버전을 위한 양산 설계 파일에 다른 변경 사항도 추가했다. OpenAI는 GPU 작업에서 5개월도 안 되는 기간에 약 1년 치 진전을 이뤘으며, AMD가 모델이 작성한 설계를 적용해 차세대 주력 CPU의 주요 블록 전반에서 한 자릿수 퍼센트의 PPA 개선을 검증했다고 밝혔다.
Jalapeño의 회로 수준 성과
OpenAI는 2025년 초 첫 맞춤형 추론 칩인 Jalapeño 설계에 GPT-4o를 활용하기 시작했다. 팀은 모델이 제안한 변경으로 병렬 컴퓨팅 작업을 관리하고 실행하는 워프 엔진의 표준 셀 면적이 약 13%, 산술 연산 구성 요소인 행렬 연산 유닛의 면적이 10% 줄었다고 추산한다. 모델은 대안적인 논리 구현 방식, 파이프라인 단계별 연산 분할 방법, 하드웨어 공유 기회, 중간 저장 공간 축소 방안을 탐색했다.
OpenAI가 제시한 구체적인 사례에는 합성 단계에서 셀 면적을 약 15% 줄이고 지연 시간을 클록 주기 2회에서 1회로 단축한 행렬 연산 유닛의 곱셈기 재설계가 포함된다. 별도의 가산기 재설계는 2클록 주기의 지연 시간을 유지하면서 셀 면적을 약 15% 줄였다. 내적 논리와 파이프라인 구성의 추가 개선도 블록 전반의 절감에 기여했으며, 이러한 최적화는 Jalapeño의 초기 실리콘 검증 과정에서 실리콘으로 입증됐다.
OpenAI의 2026년 8월 25일 실리콘 결과에 따르면 AI 지원을 통해 Jalapeño는 초기 설계부터 테이프아웃까지 9개월 만에 진행됐다.
RISC-V 테스트로 비교한 5세대 모델
칩 설계 역량이 세대별로 어떻게 달라졌는지 측정하기 위해 OpenAI는 오픈소스 32비트 RISC-V 코어 두 가지를 대상으로 GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol, GPT-5.5를 테스트했다. PicoRV32는 FPGA라고 하는 재구성 가능 칩용으로 설계된 소형 코어이며, OpenTitan은 보안 칩의 임베디드 프로세서로 Ibex를 사용한다. 평가에서는 기존 코어의 RTL 최적화와 문서화된 요구사항 및 인터페이스 템플릿을 바탕으로 한 코어 제작을 모두 다뤘으며, 작업과 코어, 토큰 예산에 걸쳐 총 9,881회의 실행 결과를 점수화했다.
RTL 최적화 평가에서 각 모델에는 원래 하드웨어 설명이 주어졌고, 초당 실행 명령 수인 처리량을 높이라는 요청이 전달됐다. 시뮬레이션 검사를 통과하지 못하거나 원래 코어 면적의 16배를 초과하는 설계에는 0점이 부여됐다. 검사를 통과한 설계의 경우 OpenAI는 모델에 공개하지 않은 워크로드에서 명령어당 클록 수의 기하평균을 구한 뒤, Yosys로 추정한 최대 클록 주파수를 곱했다. 동일한 제약 조건에서 코어별로 관측된 최고 처리량에는 1.0점을 부여했으며, 평균에는 0점을 받은 실행 결과도 포함했다.
실행당 약 112,000토큰이라는 비슷한 예산에서 OpenAI의 결과에 따르면 RTL 최적화 부문에서는 GPT-6.2 Astra가 두 코어 모두에서 평균 점수가 가장 높았으며, GPT-6.1 Sol도 두 코어 모두에서 GPT-5.6 Sol보다 높은 점수를 받았다. 비슷한 예산으로 사양에서 RTL을 설계하는 평가에서 GPT-6.2 Astra는 PicoRV32에서 정규화된 평균 점수 0.7 초과를 기록했고, Ibex에서는 평균 약 0.75점을 기록했다. 다섯 모델 모두 두 코어에서 기존 RTL을 최적화할 때보다 문서화된 요구사항을 바탕으로 설계할 때 더 높은 점수를 받았다.
평가의 한계와 GPT-Synopsys 계획
사양 기반 평가에서 더 높은 점수가 나온 데에는 유의할 점이 있다. OpenAI에 따르면 문서화된 요구사항부터 시작하는 모델은 성능 카운터와 추가 명령어처럼 원래 코어에 포함된 기능을 누락할 수 있으며, 이러한 기능은 테스트 워크로드의 처리량을 높이는 데 거의 기여하지 않았다. 이런 누락이 점수 우위의 일부를 설명할 수 있다. 해당 기능을 필수로 하고 회로 면적 제한을 더 엄격하게 설정하며 물리적 합성 후 타이밍을 확인하면 실제 양산 칩 설계를 더 잘 반영하는 테스트가 될 것이다.
모델 개발을 기존 검증 시스템과 연결하기 위해 OpenAI는 Synopsys와 협력해 GPT-Synopsys가 전문 칩 설계자처럼 전자설계자동화(EDA) 도구를 사용하도록 훈련하고 있다. 이 작업은 공동 개발, 시장 진출 협력, 수익 배분을 포함하는 2026년 9월 30일 발표된 다년 계약을 기반으로 한다. Synopsys는 엔지니어가 PPA 최적화부터 타이밍 및 검증 완료에 이르는 목표를 위임하고, 에이전트가 도구를 실행하고 결과를 해석하며 변경 사항을 적용하고 반복 작업을 통해 검증된 결과를 만들어 엔지니어가 검토하도록 할 것이라고 밝혔다.
Synopsys는 고객의 설계 데이터를 GPT-Synopsys 훈련에 사용하지 않으며, 저장 및 전송 중 암호화하고 보존 기간을 설정할 수 있도록 하며 감사 및 권한 제어를 제공한다고 밝혔다. 이러한 보호 조치와 엔지니어 검토 의무는 독점 양산 설계를 다룰 때의 현실을 반영한다. 이 연구의 핵심 과제는 모델 기반 설계 성과를 신뢰할 수 있는 검증과 연결하는 것이며, GPT-Synopsys는 회로 최적화와 더 폭넓은 EDA 작업 흐름 전반에서 이러한 연결을 제공하도록 설계됐다.












