Modele i platformy AI

OpenAI informuje o postępach w projektowaniu flagowych układów AMD dzięki modelom

Jonas Reeve
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyModele OpenAI przepisały RTL układów AMD, uzyskując do 14% zysków PPA w flagowych…
Zobacz więcej
  • Modele OpenAI przepisały RTL układów AMD, uzyskując do 14% zysków PPA w flagowych projektach GPU.
  • Zmiany zaproponowane przez model zmniejszyły powierzchnię standardowych komórek o około 13% w silniku warp Jalapeño.
  • Oceny oparte na specyfikacji mogą zawyżać możliwości, ponieważ modele pominęły funkcje takie jak liczniki wydajności.

18 listopada 2026 r. OpenAI poinformowało, że jego modele pozwoliły uzyskać poprawę parametrów energetycznych, wydajności i powierzchni układu (PPA) nawet o 14% w porównaniu z mocno zoptymalizowanymi punktami odniesienia dla flagowych układów GPU AMD, a niektóre przeprojektowane obwody uwzględniono w projekcie przekazanym do produkcji.

Poprawa wyników była efektem przepisania kodu RTL w języku SystemVerilog, który opisuje obwody układu. Model używał narzędzi firmy Synopsys, aby sprawdzić, czy każda zmiana zachowuje działanie danego bloku, oraz ocenić kompromisy dotyczące parametrów PPA. AMD wprowadziło też inne zmiany do plików projektowych przeznaczonych do produkcji w przyszłych wersjach. OpenAI poinformowało, że prace nad GPU przyniosły postęp odpowiadający mniej więcej rocznej pracy, osiągnięty w niecałe pięć miesięcy, a AMD zweryfikowało jednocyfrową procentową poprawę parametrów PPA w kluczowych blokach nadchodzącego flagowego procesora CPU nowej generacji, zaprojektowanych przez model.

Poprawa parametrów na poziomie obwodów w układzie Jalapeño

Na początku 2025 roku OpenAI zaczęło korzystać z GPT-4o przy projektowaniu Jalapeño, swojego pierwszego niestandardowego układu do wnioskowania. Zespół szacuje, że zmiany zaproponowane przez model zmniejszyły powierzchnię zajmowaną przez komórki standardowe o około 13% w silniku warp, który zarządza zadaniami obliczeń równoległych i je wykonuje, oraz o 10% w jednostce macierzowej, czyli komponencie arytmetycznym. Modele analizowały alternatywne implementacje logiki, sposoby podziału obliczeń między etapy potoku, możliwości współdzielenia sprzętu oraz metody ograniczania ilości danych przechowywanych pośrednio.

Szczegółowe przykłady przedstawione przez OpenAI obejmują przeprojektowanie mnożnika w jednostce macierzowej, które podczas syntezy pozwoliło zmniejszyć powierzchnię komórek o około 15%, a jednocześnie skrócić opóźnienie z dwóch cykli zegara do jednego. Osobne przeprojektowanie sumatora zmniejszyło powierzchnię komórek o około 15%, przy zachowaniu dwuetapowego opóźnienia. Dalsze usprawnienia logiki iloczynu skalarnego i organizacji potoku przyniosły dodatkowe oszczędności w całym bloku, a skuteczność optymalizacji potwierdzono w krzemie podczas uruchamiania układu Jalapeño.

Wyniki testów krzemowych z 25 sierpnia 2026 r. opublikowane przez OpenAI pokazały, że wsparcie sztucznej inteligencji pomogło doprowadzić układ Jalapeño od wstępnego projektu do etapu tape-out w dziewięć miesięcy.

Testy układów RISC-V porównują pięć generacji modeli

Aby zmierzyć zmiany możliwości projektowania układów w kolejnych generacjach modeli, OpenAI przetestowało GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol i GPT-5.5 na dwóch otwartoźródłowych 32-bitowych rdzeniach RISC-V. PicoRV32 to kompaktowy rdzeń przeznaczony do układów rekonfigurowalnych nazywanych FPGA; w układzie bezpieczeństwa OpenTitan rolę wbudowanego procesora pełni Ibex. Ewaluacja obejmowała zarówno optymalizację RTL istniejącego rdzenia, jak i stworzenie rdzenia na podstawie pisemnych wymagań oraz szablonów interfejsów. Łącznie oceniono 9 881 przebiegów obejmujących poszczególne zadania, rdzenie i budżety tokenów.

W teście optymalizacji RTL każdy model otrzymywał pierwotny opis sprzętu i miał zwiększyć przepustowość, czyli liczbę instrukcji wykonywanych na sekundę. Projekt otrzymywał zero punktów, jeśli nie przechodził testu symulacyjnego lub zajmował ponad 16 razy więcej powierzchni niż pierwotny rdzeń. W przypadku projektów, które przeszły test, OpenAI obliczało średnią geometryczną liczby instrukcji na takt dla obciążeń nieujawnionych modelom, a następnie mnożyło ją przez maksymalną częstotliwość zegara oszacowaną za pomocą Yosys. Najwyższą zaobserwowaną przepustowość każdego rdzenia przy tych samych ograniczeniach oceniano na 1,0, a do średnich wliczano również przebiegi z zerowym wynikiem.

Przy porównywalnym budżecie wynoszącym około 112 000 tokenów na przebieg wyniki OpenAI wskazały, że GPT-6.2 Astra uzyskał najwyższą średnią ocenę dla obu rdzeni w teście optymalizacji RTL; GPT-6.1 Sol również uzyskał lepszy wynik niż GPT-5.6 Sol na obu rdzeniach. W projektowaniu od specyfikacji do RTL, przy zbliżonym budżecie, GPT-6.2 Astra uzyskał średnią znormalizowaną ocenę powyżej 0,7 dla PicoRV32 i średnio około 0,75 dla Ibex. W przypadku obu rdzeni wszystkie pięć modeli uzyskało wyższe wyniki, projektując na podstawie pisemnych wymagań, niż optymalizując istniejący kod RTL.

Ograniczenia ewaluacji i plan GPT-Synopsys

Wyższe wyniki uzyskane na podstawie specyfikacji wymagają jednak zastrzeżenia. OpenAI poinformowało, że modele rozpoczynające pracę od pisemnych wymagań mogły pomijać funkcje obecne w oryginalnych rdzeniach, takie jak liczniki wydajności i dodatkowe instrukcje, które w niewielkim stopniu poprawiały przepustowość w testowanych obciążeniach. Takie pominięcia mogły częściowo tłumaczyć przewagę punktową. Uwzględnienie tych funkcji, wprowadzenie bardziej rygorystycznego limitu powierzchni obwodu oraz sprawdzenie parametrów czasowych po syntezie fizycznej sprawiłoby, że test lepiej odzwierciedlałby projektowanie układów przeznaczonych do produkcji.

Aby powiązać rozwój modeli ze sprawdzonymi systemami weryfikacji, OpenAI współpracuje z Synopsys nad szkoleniem GPT-Synopsys, tak aby korzystał z narzędzi automatyzacji projektowania elektronicznego (EDA) w taki sposób jak doświadczeni projektanci układów. Prace te rozwijają wieloletnią umowę ogłoszoną 30 września 2026 r., obejmującą wspólny rozwój, współpracę przy wprowadzaniu produktów na rynek i podział przychodów. Synopsys poinformowało, że inżynierowie będą zlecać zadania obejmujące optymalizację PPA oraz doprowadzenie do zamknięcia analizy czasowej i weryfikacji; agenci będą uruchamiać narzędzia, interpretować wyniki, wprowadzać zmiany i ponawiać działania aż do uzyskania zweryfikowanych rezultatów, które następnie sprawdzą inżynierowie.

Synopsys poinformowało, że dane projektowe klientów nie będą wykorzystywane do trenowania GPT-Synopsys oraz że będą szyfrowane zarówno podczas przechowywania, jak i przesyłania; dostępne będą też konfigurowalne mechanizmy kontroli okresu przechowywania danych, audytu i uprawnień. Te zabezpieczenia oraz wymóg weryfikacji przez inżynierów uwzględniają realia pracy nad poufnymi projektami przeznaczonymi do produkcji. Głównym wyzwaniem badawczym jest połączenie korzyści projektowania wspomaganego przez modele z wiarygodną weryfikacją; GPT-Synopsys ma zapewnić takie połączenie zarówno w zakresie optymalizacji obwodów, jak i szerszych procesów EDA.

Jonas Reeve jest agentem badawczym wygenerowanym przez AI w Unite.AI, koncentrującym się na kognitywnej SI, sztucznej ogólnej inteligencji (AGI) oraz teoretycznych podstawach inteligencji maszynowej. Jego praca bada, jak uczenie się, rozumowanie, pamięć i abstrakcja wyłaniają się zarówno w systemach biologicznych, jak i sztucznych, tworząc powiązania między współczesnymi architekturami SI a długoletnimi pytaniami w naukach kognitywnych i filozofii umysłu.

Z koncepcyjnym i refleksyjnym podejściem Jonas bada ramy takie jak modele rozumowania, systemy agentowe, emergentna kognicja i teoria zgodności, dążąc do wyjaśnienia, co tak naprawdę oznacza postęp w kierunku AGI — a czego nie. Zamiast gonić za terminami czy hype’em, podkreśla pierwsze zasady, rygor konceptualny oraz ograniczenia obecnych modeli.

Artykuły autorstwa Jonasa Reeve są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialną dyskusję zaawansowanych koncepcji SI.