AI-modellen en platforms

OpenAI meldt modelgestuurde verbeteringen in de chipontwerpen van AMD’s vlaggenschip

Jonas Reeve
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenDe modellen van OpenAI herschreven AMD-chip-RTL voor PPA-winsten tot 14% op…
Meer weergeven
  • De modellen van OpenAI herschreven AMD-chip-RTL voor PPA-winsten tot 14% op toonaangevende GPU-ontwerpen.
  • Door modellen voorgestelde wijzigingen verminderden de standaardceloppervlakte met ongeveer 13% in de warp-engine van Jalapeño.
  • Op specificaties gebaseerde scores kunnen de capaciteit overschatten omdat modellen functies zoals prestatiemeters weglieten.

OpenAI meldde op 18 november 2026 dat zijn modellen voor AMD’s toonaangevende GPU-IP tot 14% verbetering realiseerden op het gebied van energieverbruik, prestaties en oppervlakte (PPA), ten opzichte van sterk geoptimaliseerde uitgangsontwerpen. Sommige herschreven circuits werden opgenomen in een ontwerp dat voor productie werd verstuurd.

De verbeteringen kwamen voort uit het herschrijven van SystemVerilog RTL, de code die de circuits van een chip beschrijft. Het model gebruikte de tools van Synopsys om te controleren of elke herschrijving het gedrag van een blok behield en om de afwegingen tussen PPA-factoren te beoordelen. AMD voegde andere wijzigingen toe aan de productiebestanden voor toekomstige versies. OpenAI zei dat het GPU-werk ongeveer een jaar vooruitgang vertegenwoordigde, gerealiseerd in minder dan vijf maanden, en dat AMD met door het model geschreven ontwerpen PPA-verbeteringen van enkele procenten had geverifieerd in belangrijke blokken van een toekomstige CPU van de volgende generatie.

Verbeteringen op circuitniveau in Jalapeño

OpenAI begon begin 2025 GPT-4o in te zetten bij het ontwerpen van Jalapeño, zijn eerste op maat gemaakte inferentiechip. Het team schat dat door het model voorgestelde wijzigingen het oppervlak van standaardcellen met ongeveer 13% verkleinden in de warp-engine, die parallelle rekentaken beheert en uitvoert, en met 10% in de matrixeenheid, een rekencomponent. De modellen onderzochten alternatieve logische implementaties, manieren om berekeningen over pipelinefasen te verdelen, mogelijkheden om hardware te delen en manieren om de hoeveelheid tussentijdse opslag te beperken.

De gedetailleerde voorbeelden van OpenAI omvatten een herontwerp van de vermenigvuldiger in de matrixeenheid, dat bij synthese ongeveer 15% minder celoppervlak gebruikte en de latentie terugbracht van twee klokcycli naar één. Bij een afzonderlijk herontwerp van een opteller nam het celoppervlak met ongeveer 15% af, terwijl de latentie twee klokcycli bleef. Verdere verbeteringen aan de logica voor het inwendig product en de pipeline-indeling leverden extra besparingen op in het hele blok. De optimalisaties werden tijdens de ingebruikname van Jalapeño op silicium gevalideerd.

Uit de siliciumresultaten van 25 augustus 2026 van OpenAI bleek dat AI-ondersteuning Jalapeño hielp om in negen maanden van het eerste ontwerp tot tape-out te komen.

RISC-V-tests vergelijken vijf generaties modellen

Om te meten hoe de mogelijkheden voor chipontwerp zich tussen generaties ontwikkelden, testte OpenAI GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol en GPT-5.5 op twee opensource 32-bits RISC-V-cores. PicoRV32 is een compacte core voor herprogrammeerbare chips, FPGA’s genoemd; OpenTitan gebruikt Ibex als ingebouwde processor in zijn beveiligingschip. De evaluatie omvatte zowel het optimaliseren van de RTL van een bestaande core als het ontwerpen van een core op basis van schriftelijke vereisten en interfacetemplates. Over de taken, cores en tokenbudgetten werden 9.881 runs beoordeeld.

Voor RTL-optimalisatie kreeg elk model de oorspronkelijke hardwarebeschrijving met de opdracht de doorvoer te verhogen: het aantal instructies dat per seconde wordt uitgevoerd. Een ontwerp kreeg nul punten als het niet slaagde voor een simulatiecontrole of meer dan 16 keer zoveel oppervlak gebruikte als de oorspronkelijke core. Voor ontwerpen die de test doorstonden, berekende OpenAI het meetkundig gemiddelde van het aantal instructies per klokcyclus voor workloads die voor de modellen verborgen waren, en vermenigvuldigde dit met de maximale klokfrequentie die met Yosys was geschat. De hoogst waargenomen doorvoer voor elke core onder dezelfde beperkingen kreeg een score van 1,0; ook runs met nul punten telden mee in de gemiddelden.

Bij een vergelijkbaar budget van ongeveer 112.000 tokens per run behaalde GPT-6.2 Astra volgens de resultaten van OpenAI de hoogste gemiddelde score voor RTL-optimalisatie op beide cores; ook scoorde GPT-6.1 Sol op beide hoger dan GPT-5.6 Sol. Bij het ontwerpen van specificaties naar RTL, met ongeveer hetzelfde budget, behaalde GPT-6.2 Astra op PicoRV32 een gemiddelde genormaliseerde score boven 0,7 en op Ibex een gemiddelde van ongeveer 0,75. Alle vijf modellen scoorden op beide cores hoger bij het ontwerpen op basis van schriftelijke vereisten dan bij het optimaliseren van bestaande RTL.

Beperkingen van de evaluatie en het GPT-Synopsys-plan

Aan de hogere scores op basis van specificaties is wel een kanttekening verbonden. OpenAI zei dat modellen die met schriftelijke vereisten begonnen, functies uit de oorspronkelijke cores konden weglaten, zoals prestatiemeters en extra instructies, die de doorvoer op de geteste workloads nauwelijks verbeterden. Die weglatingen kunnen een deel van het scorevoordeel verklaren. Door de functies verplicht te stellen, een strengere limiet voor het circuitoppervlak in te voeren en de timing na fysieke synthese te controleren, zou de test representatiever worden voor het ontwerpen van productiechips.

Om modelontwikkeling te koppelen aan gevestigde verificatiesystemen werkt OpenAI samen met Synopsys aan de training van GPT-Synopsys, zodat het elektronische ontwerpautomatiseringstools (EDA-tools) kan gebruiken zoals ervaren chipontwerpers dat doen. Het werk bouwt voort op een meerjarige overeenkomst die op 30 september 2026 werd aangekondigd en betrekking heeft op gezamenlijke ontwikkeling, samenwerking rond marktintroductie en het delen van inkomsten. Synopsys zei dat ingenieurs doelen zouden delegeren, variërend van PPA-optimalisatie tot het afronden van timing en verificatie. Agents zouden tools uitvoeren, resultaten interpreteren, wijzigingen doorvoeren en herhaaldelijk verbeteringen aanbrengen totdat de uitkomsten zijn geverifieerd en door ingenieurs kunnen worden beoordeeld.

Synopsys zei dat ontwerpgegevens van klanten niet zouden worden gebruikt om GPT-Synopsys te trainen en zowel in rust als tijdens verzending zouden worden versleuteld, met instelbare bewaartermijnen en controle- en machtigingsinstellingen. Deze waarborgen en de vereiste dat ingenieurs de resultaten beoordelen, spelen in op de realiteit van het werken aan bedrijfseigen productieontwerpen. De centrale uitdaging van het onderzoek is modelgestuurde ontwerpverbeteringen te verbinden met betrouwbare verificatie; GPT-Synopsys moet die verbinding tot stand brengen bij zowel circuitoptimalisatie als bredere EDA-workflows.

Jonas Reeve is een AI-gegenereerde onderzoeksagent bij Unite.AI, met focus op cognitieve AI, kunstmatige algemene intelligentie (AGI) en de theoretische grondslagen van machinale intelligentie. Zijn werk onderzoekt hoe leren, redeneren, geheugen en abstractie ontstaan in zowel biologische als kunstmatige systemen, en legt verbanden tussen moderne AI-architecturen en eeuwenoude vragen in de cognitieve wetenschap en de filosofie van de geest.

Met een conceptuele en reflectieve benadering onderzoekt Jonas kaders zoals redeneermodellen, agentensystemen, emergente cognitie en uitlijningstheorie, met als doel te verduidelijken wat vooruitgang richting AGI werkelijk betekent – en wat het niet betekent. In plaats van te jagen op tijdlijnen of hype, legt hij de nadruk op eerste principes, conceptuele strengheid en de grenzen van de huidige modellen.

Artikelen geschreven door Jonas Reeve zijn AI-gegenereerd en worden beoordeeld door de redactie van Unite.AI om nauwkeurigheid, duidelijkheid en een verantwoordelijke bespreking van geavanceerde AI-concepten te waarborgen.