Модели и платформы ИИ
OpenAI сообщает об улучшениях в разработке флагманских чипов AMD благодаря моделям

Ключевые моментыМодели OpenAI переписали RTL-код чипов AMD, обеспечив прирост PPA до 14% на флагманских…
Показать больше
- Модели OpenAI переписали RTL-код чипов AMD, обеспечив прирост PPA до 14% на флагманских проектах GPU.
- Предложенные моделями изменения сократили площадь стандартных ячеек примерно на 13% в warp-движке Jalapeño.
- Оценки на основе спецификаций могут завышать возможности, поскольку модели опустили такие функции, как счётчики производительности.
18 ноября 2026 года OpenAI сообщила, что её модели обеспечили улучшение показателей энергопотребления, производительности и площади кристалла (PPA) до 14% по сравнению с тщательно оптимизированными базовыми проектами для флагманских графических процессоров AMD. Некоторые переработанные схемы вошли в проект, отправленный в производство.
Улучшений удалось добиться, переписав RTL-код на SystemVerilog, который описывает схемы микросхемы. Модель использовала инструменты Synopsys, чтобы проверить, что каждая переработка сохраняет поведение соответствующего блока, и оценить компромиссы между показателями PPA. AMD внесла и другие изменения в производственные файлы проекта для будущих версий. По словам OpenAI, работа над графическими процессорами позволила добиться примерно за год прогресса менее чем за пять месяцев. AMD также подтвердила, что в созданных с помощью моделей проектах для ключевых блоков будущего флагманского процессора следующего поколения показатели PPA выросли на несколько процентов.
Улучшения на уровне схем в Jalapeño
В начале 2025 года OpenAI начала использовать GPT-4o для разработки Jalapeño — своего первого специализированного чипа для инференса. По оценкам команды, предложенные моделями изменения сократили площадь стандартных ячеек примерно на 13% в блоке warp engine, который управляет параллельными вычислительными задачами и выполняет их, и на 10% в матричном блоке — арифметическом компоненте. Модели исследовали альтернативные реализации логики, способы распределения вычислений между этапами конвейера, возможности совместного использования аппаратных ресурсов и сокращения объёма промежуточного хранения данных.
Среди подробных примеров OpenAI — переработка умножителя матричного блока: при синтезе площадь ячеек сократилась примерно на 15%, а задержка уменьшилась с двух тактов до одного. Отдельная переработка сумматора сократила площадь ячеек примерно на 15% при сохранении задержки в два такта. Дополнительную экономию во всём блоке обеспечили дальнейшие улучшения логики скалярного произведения и организации конвейера. Эффективность оптимизаций подтвердили на кремниевом образце во время начальной отладки Jalapeño.
В опубликованных OpenAI 25 августа 2026 года результатах испытаний на кремниевом образце сообщалось, что благодаря помощи ИИ путь Jalapeño от первоначального проекта до передачи в производство занял девять месяцев.
Сравнение пяти поколений моделей на тестах RISC-V
Чтобы измерить, как менялись возможности проектирования чипов от поколения к поколению, OpenAI протестировала GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol и GPT-5.5 на двух открытых 32-разрядных ядрах RISC-V. PicoRV32 — компактное ядро для программируемых микросхем, называемых FPGA; в защищённом чипе OpenTitan в качестве встроенного процессора используется Ibex. Оценка охватывала как оптимизацию RTL-кода существующего ядра, так и создание ядра по письменным требованиям и шаблонам интерфейсов. Всего в ходе испытаний моделей, ядер и бюджетов токенов было выполнено 9 881 оцениваемый запуск.
Для оптимизации RTL каждой модели предоставляли исходное описание аппаратного обеспечения и предлагали увеличить пропускную способность — число инструкций, выполняемых за секунду. Проект получал нулевой балл, если не проходил проверку симуляцией или занимал площадь более чем в 16 раз больше площади исходного ядра. Для проектов, прошедших проверку, OpenAI вычисляла среднее геометрическое числа инструкций за такт по наборам задач, скрытым от моделей, и умножала его на максимальную тактовую частоту, оценённую с помощью Yosys. Наилучшую пропускную способность, достигнутую каждым ядром при тех же ограничениях, принимали за 1,0; при расчёте средних значений учитывались и запуски с нулевым баллом.
При сопоставимом бюджете — около 112 000 токенов на запуск — в результатах OpenAI GPT-6.2 Astra получила наивысший средний балл при оптимизации RTL обоих ядер; GPT-6.1 Sol также показала результат выше, чем GPT-5.6 Sol, на обоих ядрах. При проектировании RTL по спецификации и примерно таком же бюджете GPT-6.2 Astra набрала в среднем более 0,7 нормированного балла на PicoRV32 и около 0,75 на Ibex. На обоих ядрах все пять моделей показали более высокие результаты при проектировании по письменным требованиям, чем при оптимизации существующего RTL-кода.
Ограничения оценки и план GPT-Synopsys
Более высокие оценки при проектировании по спецификации требуют оговорки. По словам OpenAI, модели, начинавшие работу с письменных требований, могли не включать функции исходных ядер — например, счётчики производительности и дополнительные инструкции, — которые почти не влияли на пропускную способность в тестовых задачах. Такие пропуски могли отчасти объяснить преимущество в оценках. Чтобы тест точнее отражал реальные условия проектирования чипов, следует требовать наличия этих функций, установить более жёсткое ограничение на площадь схемы и проверять временные характеристики после физического синтеза.
Чтобы связать разработку моделей с устоявшимися системами верификации, OpenAI сотрудничает с Synopsys в обучении GPT-Synopsys работе с системами автоматизации проектирования электроники (EDA) так, как это делают опытные разработчики чипов. Эта работа продолжает многолетнее соглашение, объявленное 30 сентября 2026 года, которое предусматривает совместную разработку, сотрудничество в продвижении решений на рынок и распределение доходов. По словам Synopsys, инженеры смогут поручать агентам задачи — от оптимизации PPA до замыкания временных характеристик и верификации. Агенты будут запускать инструменты, интерпретировать результаты, вносить изменения и повторять этот процесс до получения проверенных результатов для рассмотрения инженерами.
Synopsys сообщила, что данные о проектах клиентов не будут использоваться для обучения GPT-Synopsys и будут шифроваться как при хранении, так и при передаче; также будут доступны настраиваемые средства управления сроками хранения, аудитом и правами доступа. Эти меры защиты и требование проверки инженерами учитывают особенности работы с закрытыми проектами для серийного производства. Главная задача исследования — связать улучшения в проектировании, достигнутые с помощью моделей, с надёжной верификацией. GPT-Synopsys призвана обеспечить такую связь как при оптимизации схем, так и в более широких рабочих процессах EDA.












