AI-modeller och plattformar
OpenAI rapporterar modellbaserade förbättringar i AMD:s flaggskeppsdesigner för chip

Viktiga punkterOpenAI:s modeller skrev om AMD-chippets RTL för upp till 14 % PPA-förbättringar på…
Visa mer
- OpenAI:s modeller skrev om AMD-chippets RTL för upp till 14 % PPA-förbättringar på flaggskepps-GPU-designer.
- Modellföreslagna ändringar minskade standardcellarean med cirka 13 % i Jalapeños warp engine.
- Specifikationsbaserade poäng kan överdriva förmågan eftersom modellerna utelämnade funktioner som prestandaräknare.
OpenAI rapporterade den 18 november 2026 att företagets modeller uppnådde en förbättring på upp till 14 % avseende effektförbrukning, prestanda och area (PPA) jämfört med noggrant optimerade referensdesigner för AMD:s flaggskepps-IP för GPU:er, och att vissa kretsomskrivningar ingick i en design som skickades till tillverkning.
Förbättringarna kom av att SystemVerilog RTL skrevs om, det vill säga koden som beskriver kretsarna i ett chip. Modellen använde verktyg från Synopsys för att kontrollera att varje omskrivning bevarade funktionsblockets beteende och för att bedöma avvägningarna mellan PPA-faktorerna. AMD lade till andra ändringar i produktionsfilerna för designen av framtida versioner. OpenAI uppgav att GPU-arbetet motsvarade ungefär ett års framsteg som uppnåddes på mindre än fem månader och att AMD verifierade ensiffriga procentuella PPA-förbättringar i viktiga funktionsblock i en kommande nästa generations flaggskepps-CPU, med hjälp av modelldesigner.
Förbättringar på kretsnivå i Jalapeño
OpenAI började använda GPT-4o för att bidra till utvecklingen av Jalapeño, företagets första specialutvecklade inferenschip, i början av 2025. Teamet uppskattar att ändringar som föreslagits av modellerna minskade standardcellsarean med cirka 13 % i warp-motorn, som hanterar och utför parallella beräkningsuppgifter, och med 10 % i matrisenheten, en aritmetisk komponent. Modellerna undersökte alternativa logikimplementationer, sätt att fördela beräkningar mellan pipeline-steg, möjligheter att dela hårdvara och sätt att minska mellanlagringen.
Bland OpenAI:s detaljerade exempel finns en omdesign av en multiplikator i matrisenheten som använde cirka 15 % mindre cellarea vid syntes och samtidigt minskade fördröjningen från två klockcykler till en. En separat omdesign av en adderare minskade cellarean med cirka 15 % utan att ändra fördröjningen på två cykler. Ytterligare förbättringar av skalärproduktslogiken och pipeline-organisationen bidrog till ytterligare besparingar i hela funktionsblocket, och optimeringarna verifierades i kisel under igångkörningen av Jalapeño.
OpenAI:s kiselresultat från den 25 augusti 2026 visade att AI-stöd hjälpte Jalapeño att gå från den första designen till att skickas till tillverkning på nio månader.
RISC-V-tester jämför fem modellgenerationer
För att mäta hur förmågan att designa chip förändrades mellan generationerna testade OpenAI GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol och GPT-5.5 på två RISC-V-kärnor med öppen källkod och 32 bitar. PicoRV32 är en kompakt kärna utformad för omprogrammerbara chip som kallas FPGA:er; OpenTitan använder Ibex som inbäddad processor i sitt säkerhetschip. Utvärderingen omfattade både optimering av en befintlig kärnas RTL och skapande av en kärna utifrån skriftliga krav och gränssnittsmallar, med 9 881 poängsatta körningar fördelade på uppgifterna, kärnorna och tokenbudgetarna.
Vid RTL-optimering fick varje modell den ursprungliga hårdvarubeskrivningen och ombads öka genomströmningen, det vill säga antalet instruktioner som körs per sekund. En design fick noll poäng om den inte klarade en simulering eller använde mer än 16 gånger så stor area som den ursprungliga kärnan. För designer som klarade testen beräknade OpenAI det geometriska medelvärdet av antalet instruktioner per klockcykel för arbetsbelastningar som modellerna inte hade sett och multiplicerade det med den maximala klockfrekvens som uppskattats med Yosys. Den högsta uppmätta genomströmningen för varje kärna under samma begränsningar gavs poängen 1,0, och medelvärdena inkluderade körningar med noll poäng.
Vid en jämförbar budget på cirka 112 000 token per körning gav OpenAI:s resultat GPT-6.2 Astra den högsta genomsnittliga poängen för båda kärnorna vid RTL-optimering; GPT-6.1 Sol fick också högre poäng än GPT-5.6 Sol på båda. Vid design från specifikation till RTL med en liknande budget fick GPT-6.2 Astra en genomsnittlig normaliserad poäng över 0,7 på PicoRV32 och i genomsnitt cirka 0,75 på Ibex. Alla fem modeller fick högre poäng när de utformade en kärna utifrån skriftliga krav än när de optimerade befintlig RTL på båda kärnorna.
Utvärderingens begränsningar och GPT-Synopsys-planen
De högre poängen för design utifrån specifikationer behöver sättas i ett sammanhang. OpenAI uppgav att modeller som utgick från skriftliga krav kunde utelämna funktioner som fanns i de ursprungliga kärnorna, exempelvis prestandaräknare och ytterligare instruktioner, som inte bidrog nämnvärt till genomströmningen i testernas arbetsbelastningar. Sådana utelämnanden kan förklara en del av poängskillnaden. Om funktionerna krävdes, areagränsen för kretsen sattes snävare och tidsförhållandena kontrollerades efter fysisk syntes skulle testet bättre motsvara design av produktionschip.
För att knyta modellutvecklingen till etablerade verifieringssystem samarbetar OpenAI med Synopsys för att träna GPT-Synopsys att använda elektroniska designautomationsverktyg (EDA) på samma sätt som erfarna chipdesigners. Arbetet bygger vidare på ett flerårigt avtal som tillkännagavs den 30 september 2026 och som omfattar gemensam utveckling, samarbete kring marknadsintroduktion och intäktsdelning. Synopsys uppgav att ingenjörer skulle kunna delegera mål som sträcker sig från PPA-optimering till att slutföra arbetet med timing och verifiering, medan agenter kör verktyg, tolkar resultat, genomför ändringar och upprepar processen tills resultaten verifierats och kan granskas av ingenjörerna.
Synopsys uppgav att kundernas designdata inte skulle användas för att träna GPT-Synopsys och att den skulle krypteras både i vila och under överföring, med konfigurerbara kontroller för lagringstid, granskning och behörigheter. Dessa skydd och kravet på granskning av ingenjörer tar hänsyn till förutsättningarna för arbete med proprietära produktionsdesigner. Forskningens centrala utmaning är att förena modellbaserade designförbättringar med tillförlitlig verifiering; GPT-Synopsys är avsett att skapa den kopplingen inom både kretsoptimering och bredare EDA-arbetsflöden.












