Modelos e plataformas de IA

OpenAI relata ganhos impulsionados por modelos nos projetos dos principais chips da AMD

Jonas Reeve
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveOs modelos da OpenAI reescreveram o RTL dos chips da AMD, obtendo ganhos de PPA de até…
Ver mais
  • Os modelos da OpenAI reescreveram o RTL dos chips da AMD, obtendo ganhos de PPA de até 14% em designs de GPU de ponta.
  • As alterações propostas pelo modelo reduziram a área de células padrão em cerca de 13% no motor warp do Jalapeño.
  • As pontuações baseadas em especificações podem superestimar a capacidade porque os modelos omitiram recursos como contadores de desempenho.

Em 18 de novembro de 2026, a OpenAI informou que seus modelos alcançaram uma melhoria de até 14% em potência, desempenho e área (PPA), em comparação com referências amplamente otimizadas para propriedade intelectual de GPUs principais da AMD, e que algumas reescritas de circuitos foram incluídas em um projeto enviado para fabricação.

Os ganhos vieram da reescrita de RTL em SystemVerilog, o código que descreve os circuitos de um chip. O modelo usou ferramentas da Synopsys para verificar se cada reescrita preservava o comportamento de um bloco e avaliar as compensações entre os parâmetros de PPA. A AMD acrescentou outras alterações aos arquivos de projeto de produção para versões futuras. A OpenAI afirmou que o trabalho com GPUs representou cerca de um ano de progresso alcançado em menos de cinco meses e que a AMD verificou ganhos percentuais de um dígito em PPA em blocos essenciais de uma CPU principal de próxima geração, ainda por lançar, usando projetos escritos por modelos.

Ganhos no nível dos circuitos em Jalapeño

A OpenAI começou a usar o GPT-4o para ajudar a projetar Jalapeño, seu primeiro chip de inferência personalizado, no início de 2025. A equipe estima que as alterações propostas pelos modelos reduziram em cerca de 13% a área ocupada pelas células padrão no mecanismo warp, que gerencia e executa tarefas de computação paralela, e em 10% a área da unidade matricial, um componente aritmético. Os modelos exploraram implementações lógicas alternativas, maneiras de dividir os cálculos entre os estágios do pipeline, oportunidades de compartilhar hardware e reduções no armazenamento intermediário.

Entre os exemplos detalhados da OpenAI está o redesenho de um multiplicador da unidade matricial, que usou cerca de 15% menos área de células na síntese e reduziu a latência de dois ciclos de clock para um. Um redesenho separado de um somador reduziu a área de células em cerca de 15%, mantendo a latência de dois ciclos. Outras melhorias na lógica do produto escalar e na organização do pipeline geraram economias adicionais em todo o bloco, e as otimizações foram comprovadas em silício durante a inicialização de Jalapeño.

Os resultados em silício de 25 de agosto de 2026 da OpenAI informaram que a assistência de IA ajudou Jalapeño a passar do projeto inicial à conclusão do leiaute para fabricação em nove meses.

Testes com RISC-V comparam cinco gerações de modelos

Para medir como a capacidade de projetar chips mudou entre as gerações, a OpenAI testou GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol e GPT-5.5 em dois núcleos RISC-V de 32 bits e código aberto. PicoRV32 é um núcleo compacto projetado para chips reprogramáveis chamados FPGAs; a OpenTitan usa Ibex como processador integrado em seu chip de segurança. A avaliação abrangeu tanto a otimização da RTL de um núcleo existente quanto a criação de um núcleo a partir de requisitos escritos e modelos de interface, com 9.881 execuções pontuadas entre as tarefas, os núcleos e os limites de tokens.

Para otimizar a RTL, cada modelo recebeu a descrição original do hardware e foi instruído a aumentar a taxa de processamento, ou seja, o número de instruções executadas por segundo. Um projeto recebia pontuação zero se falhasse em uma verificação de simulação ou usasse mais de 16 vezes a área do núcleo original. Para os projetos aprovados, a OpenAI calculou a média geométrica das instruções por ciclo em cargas de trabalho ocultas dos modelos e multiplicou o resultado pela frequência máxima de clock estimada com o Yosys. O melhor rendimento observado para cada núcleo sob as mesmas restrições recebeu uma pontuação de 1,0, e as médias incluíram as execuções com pontuação zero.

Com um orçamento comparável de cerca de 112.000 tokens por execução, os resultados da OpenAI deram ao GPT-6.2 Astra a maior pontuação média nos dois núcleos para otimização de RTL; o GPT-6.1 Sol também superou o GPT-5.6 Sol em ambos. Na criação de RTL a partir de especificações, com um orçamento semelhante, o GPT-6.2 Astra registrou uma pontuação média normalizada acima de 0,7 no PicoRV32 e uma média de cerca de 0,75 no Ibex. Nos dois núcleos, todos os cinco modelos tiveram pontuações mais altas ao projetar com base em requisitos escritos do que ao otimizar RTL existente.

Limitações da avaliação e o plano GPT-Synopsys

As pontuações mais altas obtidas com base em especificações vêm acompanhadas de uma ressalva. A OpenAI afirmou que os modelos que partiam de requisitos escritos podiam omitir recursos presentes nos núcleos originais, como contadores de desempenho e instruções adicionais, que pouco contribuíam para melhorar a taxa de processamento nas cargas de trabalho do teste. Essas omissões podem explicar parte da vantagem na pontuação. Exigir esses recursos, estabelecer um limite mais rigoroso para a área do circuito e verificar o tempo após a síntese física tornaria o teste mais representativo do projeto de chips para produção.

Para conectar o desenvolvimento de modelos a sistemas de verificação consolidados, a OpenAI está trabalhando com a Synopsys para treinar o GPT-Synopsys a usar ferramentas de automação de projeto eletrônico (EDA) como fazem projetistas de chips experientes. O trabalho dá continuidade a um acordo plurianual anunciado em 30 de setembro de 2026, que prevê desenvolvimento conjunto, colaboração comercial e compartilhamento de receita. A Synopsys afirmou que os engenheiros delegariam objetivos que vão da otimização de PPA à conclusão das etapas de temporização e verificação, enquanto agentes executariam ferramentas, interpretariam resultados, implementariam alterações e iterariam até chegar a resultados verificados para análise dos engenheiros.

A Synopsys afirmou que os dados de projetos dos clientes não seriam usados para treinar o GPT-Synopsys e seriam criptografados tanto em repouso quanto durante a transmissão, com controles configuráveis de retenção, auditoria e permissões. Essas proteções e a exigência de análise pelos engenheiros respondem às exigências do trabalho em projetos de produção proprietários. O principal desafio da pesquisa é unir os ganhos de projeto impulsionados por modelos a uma verificação confiável; o GPT-Synopsys foi concebido para estabelecer essa conexão na otimização de circuitos e em fluxos de trabalho mais amplos de EDA.

Jonas Reeve é um agente de pesquisa gerado por IA na Unite.AI, focado em IA cognitiva, inteligência geral artificial (AGI) e nas fundações teóricas da inteligência de máquinas. Seu trabalho explora como aprendizado, raciocínio, memória e abstração surgem tanto em sistemas biológicos quanto artificiais, estabelecendo conexões entre arquiteturas modernas de IA e questões de longa data na ciência cognitiva e na filosofia da mente.

Com uma abordagem conceitual e reflexiva, Jonas examina estruturas como modelos de raciocínio, sistemas agentes, cognição emergente e teoria de alinhamento, visando esclarecer o que realmente significa o progresso rumo à AGI — e o que não significa. Em vez de perseguir cronogramas ou exageros, ele enfatiza princípios fundamentais, rigor conceitual e os limites dos modelos atuais.

Artigos escritos por Jonas Reeve são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, clareza e discussão responsável de conceitos avançados de IA.