AI-modeller og plattformer
OpenAI rapporterer om modellbaserte forbedringer i AMDs flaggskipbrikkedesign

Viktige punkterOpenAIs modeller skrev om AMD-brikke-RTL for opptil 14 % PPA-gevinster på…
Vis mer
- OpenAIs modeller skrev om AMD-brikke-RTL for opptil 14 % PPA-gevinster på flaggskip-GPU-design.
- Modellforeslåtte endringer kuttet standardcelleareal med omtrent 13 % i Jalapeños warp-motor.
- Spesifikasjonsbaserte skårer kan overvurdere kapasitet fordi modellene utelot funksjoner som ytelsestellere.
OpenAI rapporterte 18. november 2026 at modellene deres oppnådde en forbedring på opptil 14 % innen effektforbruk, ytelse og areal (PPA) sammenlignet med svært optimaliserte referansedesign for AMDs fremste GPU-IP, og at noen av kretsomskrivingene inngikk i et design som ble sendt til produksjon.
Forbedringene kom av at SystemVerilog RTL-koden, som beskriver kretsene i en brikke, ble skrevet om. Modellen brukte verktøy fra Synopsys til å kontrollere at hver omskriving bevarte funksjonen til den aktuelle blokken, og til å vurdere avveininger mellom PPA-faktorene. AMD la til andre endringer i produksjonsdesignfilene for framtidige versjoner. OpenAI sa at GPU-arbeidet tilsvarte omtrent ett års framgang på under fem måneder, og at AMD bekreftet ensifrede prosentvise PPA-forbedringer på tvers av sentrale blokker i en kommende neste generasjons flaggskip-CPU ved hjelp av design skrevet av modellen.
Forbedringer på kretsnivå i Jalapeño
OpenAI begynte tidlig i 2025 å bruke GPT-4o til å bistå med utformingen av Jalapeño, selskapets første spesialutviklede inferensbrikke. Teamet anslår at modellforeslåtte endringer reduserte arealet til standardcellene med rundt 13 % i warp-enheten, som styrer og utfører parallelle beregningsoppgaver, og med 10 % i matriseenheten, en regnekomponent. Modellene utforsket alternative logikkløsninger, måter å dele beregningene opp mellom trinn i pipelinen, muligheter for å dele maskinvare og måter å redusere mellomlagring på.
Blant de detaljerte eksemplene fra OpenAI er en ny utforming av en multiplikator i matriseenheten, som brukte rundt 15 % mindre celleareal under syntese og samtidig reduserte forsinkelsen fra to klokkesykluser til én. En separat ny utforming av en adderer reduserte cellearealet med rundt 15 % og beholdt samtidig en forsinkelse på to klokkesykluser. Ytterligere forbedringer av prikkproduktlogikken og organiseringen av pipelinen ga ytterligere besparelser i hele blokken, og optimaliseringene ble bekreftet i silisium under oppstarten av Jalapeño.
OpenAIs silisiumresultater fra 25. august 2026 viste at AI-assistanse bidro til at Jalapeño gikk fra det første designet til tape-out på ni måneder.
RISC-V-tester sammenligner fem modellgenerasjoner
For å måle hvordan evnen til å designe brikker hadde endret seg mellom generasjonene, testet OpenAI GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol og GPT-5.5 på to åpen kildekode-baserte 32-bits RISC-V-prosessorkjerner. PicoRV32 er en kompakt kjerne utviklet for omprogrammerbare brikker kalt FPGA-er; OpenTitan bruker Ibex som innebygd prosessor i sikkerhetsbrikken sin. Evalueringen omfattet både optimalisering av RTL-en til en eksisterende kjerne og utforming av en kjerne ut fra skriftlige krav og grensesnittmaler. Det ble gjennomført 9 881 poengsatte kjøringer på tvers av oppgavene, kjernene og tokenbudsjettene.
For RTL-optimalisering fikk hver modell den opprinnelige maskinvarebeskrivelsen og ble bedt om å øke gjennomstrømningen, det vil si antallet instruksjoner som utføres per sekund. Et design fikk null poeng hvis det ikke besto en simuleringskontroll eller brukte mer enn 16 ganger arealet til den opprinnelige kjernen. For design som besto kontrollen, beregnet OpenAI det geometriske gjennomsnittet av antall instruksjoner per klokkesyklus på arbeidsbelastninger som var skjult for modellene, og multipliserte det med den maksimale klokkefrekvensen som Yosys hadde anslått. Den høyeste målte gjennomstrømningen for hver kjerne under de samme begrensningene fikk poengsummen 1,0, og gjennomsnittene omfattet også kjøringer som fikk null poeng.
Ved et sammenlignbart budsjett på rundt 112 000 tokener per kjøring ga OpenAIs resultater GPT-6.2 Astra den høyeste gjennomsnittlige poengsummen på begge kjernene for RTL-optimalisering. GPT-6.1 Sol oppnådde også bedre resultater enn GPT-5.6 Sol på begge. Ved spesifikasjonsbasert RTL-design med et omtrent like stort budsjett fikk GPT-6.2 Astra en gjennomsnittlig normalisert poengsum over 0,7 på PicoRV32 og et gjennomsnitt på rundt 0,75 på Ibex. Alle de fem modellene fikk høyere poengsum når de utformet en kjerne ut fra skriftlige krav, enn når de optimaliserte eksisterende RTL på begge kjernene.
Begrensninger ved evalueringen og GPT-Synopsys-planen
De høyere poengsummene for spesifikasjonsbasert design må ses i lys av et forbehold. OpenAI sa at modeller som startet med skriftlige krav, kunne utelate funksjoner fra de opprinnelige kjernene, som ytelsestellere og ekstra instruksjoner, som i liten grad bidro til bedre gjennomstrømning på testenes arbeidsbelastninger. Slike utelatelser kan forklare noe av poengforskjellen. Testen ville i større grad gjenspeile produksjon av brikker dersom man krevde at funksjonene skulle være med, satte en strengere grense for kretsarealet og kontrollerte timingen etter fysisk syntese.
For å knytte modellutviklingen til etablerte verifikasjonssystemer samarbeider OpenAI med Synopsys om å lære opp GPT-Synopsys til å bruke verktøy for elektronisk designautomatisering (EDA) slik erfarne brikkedesignere gjør. Arbeidet bygger videre på en flerårig avtale som ble kunngjort 30. september 2026, og som omfatter felles utvikling, samarbeid om markedsintroduksjon og inntektsdeling. Synopsys sa at ingeniører skulle kunne delegere mål innen alt fra PPA-optimalisering til timing- og verifiseringsavslutning, mens agenter kjører verktøy, tolker resultater, gjennomfører endringer og gjentar prosessen fram mot verifiserte resultater som ingeniørene kan gjennomgå.
Synopsys sa at kundedata fra design ikke ville bli brukt til å trene opp GPT-Synopsys, og at dataene ville være kryptert både når de lagres og når de overføres. Det skulle også finnes konfigurerbare kontroller for oppbevaring, revisjon og tilgangstillatelser. Disse sikkerhetstiltakene og kravet om at ingeniører skal gjennomgå resultatene, tar høyde for realitetene ved arbeid med proprietære produksjonsdesign. Forskningens sentrale utfordring er å knytte modellbaserte designforbedringer til pålitelig verifisering; GPT-Synopsys er ment å skape denne forbindelsen innen kretsoptimalisering og bredere EDA-arbeidsflyter.












