โมเดลและแพลตฟอร์ม AI

OpenAI รายงานการปรับปรุงการออกแบบชิปเรือธงของ AMD ด้วยโมเดล

Jonas Reeve
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญโมเดลของ OpenAI เขียน RTL ของชิป AMD ใหม่เพื่อเพิ่ม PPA ได้ถึง 14% ในการออกแบบ GPU…
ดูเพิ่มเติม
  • โมเดลของ OpenAI เขียน RTL ของชิป AMD ใหม่เพื่อเพิ่ม PPA ได้ถึง 14% ในการออกแบบ GPU เรือธง
  • การเปลี่ยนแปลงที่โมเดลเสนอช่วยลดพื้นที่มาตรฐานเซลล์ลงประมาณ 13% ในวาร์ปเอนจินของ Jalapeño
  • คะแนนที่อิงตามข้อกำหนดอาจประเมินความสามารถสูงเกินจริง เนื่องจากโมเดลละเว้นคุณสมบัติต่างๆ เช่น ตัวนับประสิทธิภาพ

OpenAI รายงานเมื่อวันที่ 18 พฤศจิกายน 2026 ว่าโมเดลของบริษัทช่วยปรับปรุงด้านกำลังไฟ ประสิทธิภาพ และพื้นที่ (PPA) ได้สูงสุด 14% เมื่อเทียบกับแบบพื้นฐานที่ผ่านการปรับแต่งอย่างหนักแล้ว สำหรับทรัพย์สินทางปัญญาของ GPU รุ่นเรือธงของ AMD โดยมีการปรับเขียนวงจรบางส่วนรวมอยู่ในแบบที่ส่งไปผลิต

ผลลัพธ์ที่ดีขึ้นเกิดจากการปรับเขียน RTL ของ SystemVerilog ซึ่งเป็นโค้ดที่อธิบายวงจรของชิป โมเดลใช้เครื่องมือของ Synopsys เพื่อตรวจสอบว่าการปรับเขียนแต่ละครั้งยังคงรักษาการทำงานของบล็อกวงจรไว้ และประเมินข้อแลกเปลี่ยนด้าน PPA ส่วน AMD ได้เพิ่มการเปลี่ยนแปลงอื่น ๆ ลงในไฟล์ออกแบบสำหรับการผลิต เพื่อใช้กับรุ่นถัดไป OpenAI ระบุว่า งานพัฒนา GPU นี้สร้างความก้าวหน้าได้เทียบเท่ากับการทำงานราวหนึ่งปีภายในเวลาไม่ถึงห้าเดือน และ AMD ยืนยันว่าแบบที่โมเดลเขียนให้ช่วยเพิ่มประสิทธิภาพ PPA ในระดับเปอร์เซ็นต์หลักหน่วยทั่วทั้งบล็อกสำคัญของ CPU เรือธงรุ่นใหม่ที่จะเปิดตัวในอนาคต

การปรับปรุงวงจรระดับรายละเอียดใน Jalapeño

OpenAI เริ่มใช้ GPT-4o ช่วยออกแบบ Jalapeño ซึ่งเป็นชิปประมวลผลอนุมานแบบปรับแต่งเฉพาะตัวรุ่นแรกของบริษัทในช่วงต้นปี 2025 ทีมประเมินว่าการเปลี่ยนแปลงที่โมเดลเสนอช่วยลดพื้นที่ของเซลล์มาตรฐานในหน่วยประมวลผลเวิร์ป ซึ่งจัดการและดำเนินงานประมวลผลแบบขนาน ลงได้ราว 13% และลดพื้นที่ในหน่วยเมทริกซ์ ซึ่งเป็นองค์ประกอบสำหรับการคำนวณทางคณิตศาสตร์ ลงได้ 10% โมเดลสำรวจวิธีนำตรรกะไปใช้แบบอื่น วิธีแบ่งการคำนวณระหว่างขั้นต่าง ๆ ของไปป์ไลน์ โอกาสในการใช้ฮาร์ดแวร์ร่วมกัน และวิธีลดพื้นที่จัดเก็บข้อมูลระหว่างทาง

ตัวอย่างโดยละเอียดจาก OpenAI ได้แก่ การออกแบบตัวคูณในหน่วยเมทริกซ์ใหม่ ซึ่งใช้พื้นที่เซลล์ในการสังเคราะห์วงจรน้อยลงราว 15% พร้อมลดเวลาแฝงจากสองรอบสัญญาณนาฬิกาเหลือหนึ่งรอบ การออกแบบตัวบวกอีกชุดหนึ่งช่วยลดพื้นที่เซลล์ได้ราว 15% เช่นกัน โดยยังคงมีเวลาแฝงสองรอบสัญญาณนาฬิกา การปรับปรุงเพิ่มเติมในตรรกะการคูณเวกเตอร์แบบจุดและการจัดโครงสร้างไปป์ไลน์ช่วยประหยัดพื้นที่เพิ่มขึ้นทั่วทั้งบล็อก และมีการพิสูจน์ประสิทธิผลของการปรับแต่งเหล่านี้บนซิลิคอนระหว่างการเริ่มทดสอบการทำงานของ Jalapeño

ผลการทดสอบบนซิลิคอนของ OpenAI เมื่อวันที่ 25 สิงหาคม 2026 ระบุว่า AI ช่วยให้ Jalapeño ใช้เวลาเก้าเดือนตั้งแต่การออกแบบเบื้องต้นจนถึงขั้นตอนส่งแบบผลิตชิป

การทดสอบ RISC-V เปรียบเทียบโมเดลห้ารุ่น

เพื่อวัดความเปลี่ยนแปลงของความสามารถด้านการออกแบบชิปในโมเดลแต่ละรุ่น OpenAI ทดสอบ GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol และ GPT-5.5 กับแกนประมวลผล RISC-V แบบ 32 บิตชนิดโอเพนซอร์สสองแบบ PicoRV32 เป็นแกนประมวลผลขนาดกะทัดรัดที่ออกแบบมาสำหรับชิปที่ตั้งโปรแกรมใหม่ได้ซึ่งเรียกว่า FPGA ส่วน OpenTitan ใช้ Ibex เป็นหน่วยประมวลผลฝังตัวในชิปด้านความปลอดภัย การประเมินครอบคลุมทั้งการปรับแต่ง RTL ของแกนประมวลผลที่มีอยู่แล้ว และการสร้างแกนประมวลผลจากข้อกำหนดที่เขียนไว้และแม่แบบอินเทอร์เฟซ โดยมีการให้คะแนนการทดลองทั้งหมด 9,881 ครั้ง ครอบคลุมงาน แกนประมวลผล และงบประมาณโทเคนที่แตกต่างกัน

ในการปรับแต่ง RTL โมเดลแต่ละตัวได้รับคำอธิบายฮาร์ดแวร์ต้นฉบับและได้รับโจทย์ให้เพิ่มอัตราการประมวลผล ซึ่งหมายถึงจำนวนคำสั่งที่ดำเนินการได้ต่อวินาที แบบใดที่ไม่ผ่านการจำลองตรวจสอบ หรือใช้พื้นที่มากกว่า 16 เท่าของแกนประมวลผลต้นฉบับ จะได้คะแนนศูนย์ สำหรับแบบที่ผ่าน OpenAI คำนวณค่าเฉลี่ยเรขาคณิตของจำนวนคำสั่งต่อรอบสัญญาณนาฬิกาในชุดงานที่โมเดลไม่เคยเห็น แล้วคูณด้วยความถี่สัญญาณนาฬิกาสูงสุดที่ประเมินด้วย Yosys แบบที่มีอัตราการประมวลผลสูงสุดซึ่งสังเกตได้ของแกนประมวลผลแต่ละแบบภายใต้ข้อจำกัดเดียวกัน ได้คะแนน 1.0 และการคำนวณค่าเฉลี่ยรวมการทดลองที่ได้คะแนนศูนย์ด้วย

เมื่อใช้งบประมาณใกล้เคียงกันที่ราว 112,000 โทเคนต่อการทดลอง ผลการทดสอบของ OpenAI ให้ GPT-6.2 Astra ได้คะแนนเฉลี่ยสูงสุดบนแกนประมวลผลทั้งสองแบบในการปรับแต่ง RTL ส่วน GPT-6.1 Sol ก็ได้คะแนนสูงกว่า GPT-5.6 Sol บนแกนประมวลผลทั้งสองแบบเช่นกัน ในการออกแบบจากข้อกำหนดไปเป็น RTL โดยใช้งบประมาณใกล้เคียงกัน GPT-6.2 Astra ทำคะแนนมาตรฐานเฉลี่ยได้มากกว่า 0.7 บน PicoRV32 และมีคะแนนเฉลี่ยราว 0.75 บน Ibex โมเดลทั้งห้ารุ่นทำคะแนนได้สูงกว่าเมื่อออกแบบจากข้อกำหนดที่เขียนไว้ แทนการปรับแต่ง RTL ที่มีอยู่แล้ว บนแกนประมวลผลทั้งสองแบบ

ข้อจำกัดของการประเมินและแผน GPT-Synopsys

คะแนนที่สูงกว่าจากการออกแบบตามข้อกำหนดมีข้อควรพิจารณาประกอบ OpenAI ระบุว่าโมเดลที่เริ่มต้นจากข้อกำหนดที่เขียนไว้อาจละคุณสมบัติบางอย่างที่มีอยู่ในแกนประมวลผลต้นฉบับ เช่น ตัวนับประสิทธิภาพและคำสั่งเพิ่มเติม ซึ่งแทบไม่ช่วยเพิ่มอัตราการประมวลผลในชุดงานที่ใช้ทดสอบ การละคุณสมบัติเหล่านี้อาจอธิบายข้อได้เปรียบด้านคะแนนได้บางส่วน การกำหนดให้ต้องมีคุณสมบัติเหล่านั้น การตั้งข้อจำกัดด้านพื้นที่วงจรให้เข้มงวดยิ่งขึ้น และการตรวจสอบจังหวะเวลาหลังการสังเคราะห์ทางกายภาพ จะทำให้การทดสอบสะท้อนการออกแบบชิปเพื่อการผลิตจริงได้ดียิ่งขึ้น

เพื่อเชื่อมโยงการพัฒนาโมเดลเข้ากับระบบตรวจสอบความถูกต้องที่ใช้กันอย่างแพร่หลาย OpenAI กำลังร่วมมือกับ Synopsys เพื่อฝึก GPT-Synopsys ให้ใช้เครื่องมือออกแบบอัตโนมัติทางอิเล็กทรอนิกส์ (EDA) ในแบบเดียวกับนักออกแบบชิปผู้เชี่ยวชาญ ความร่วมมือนี้ต่อยอดจาก ข้อตกลงระยะเวลาหลายปีที่ประกาศเมื่อวันที่ 30 กันยายน 2026 ซึ่งครอบคลุมการพัฒนาร่วมกัน การทำตลาดร่วมกัน และการแบ่งรายได้ Synopsys ระบุว่าวิศวกรจะมอบหมายเป้าหมายต่าง ๆ ตั้งแต่การปรับแต่ง PPA ไปจนถึงการปิดงานด้านจังหวะเวลาและการตรวจสอบความถูกต้อง โดยเอเจนต์จะเรียกใช้เครื่องมือ ตีความผลลัพธ์ ดำเนินการเปลี่ยนแปลง และทำซ้ำเพื่อให้ได้ผลลัพธ์ที่ผ่านการตรวจสอบแล้วสำหรับให้วิศวกรพิจารณา

Synopsys ระบุว่าจะไม่นำข้อมูลการออกแบบของลูกค้าไปใช้ฝึก GPT-Synopsys และจะเข้ารหัสข้อมูลทั้งขณะจัดเก็บและขณะส่งผ่านระบบ พร้อมกำหนดค่าการเก็บรักษาข้อมูล การตรวจสอบ และการควบคุมสิทธิ์ได้ มาตรการคุ้มครองเหล่านี้และข้อกำหนดให้วิศวกรเป็นผู้ตรวจสอบ สอดคล้องกับความเป็นจริงของการทำงานกับแบบการผลิตที่เป็นกรรมสิทธิ์เฉพาะ ความท้าทายหลักของงานวิจัยนี้คือการเชื่อมโยงประโยชน์จากการออกแบบที่ขับเคลื่อนด้วยโมเดลเข้ากับการตรวจสอบความถูกต้องที่เชื่อถือได้ โดย GPT-Synopsys มีเป้าหมายเพื่อทำหน้าที่เชื่อมโยงดังกล่าว ทั้งในการปรับแต่งวงจรและในกระบวนการทำงาน EDA ที่กว้างขวางยิ่งขึ้น

Jonas Reeve เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, มุ่งเน้นที่ AI ด้านการรู้คิด, ปัญญาประดิษฐ์ทั่วไป (AGI), และพื้นฐานเชิงทฤษฎีของปัญญาเครื่องจักร งานของเขาศึกษาว่าการเรียนรู้, การให้เหตุผล, ความจำ, และการสรุปเชิงนามธรรมเกิดขึ้นอย่างไรในระบบชีวภาพและระบบเทียม, เชื่อมโยงสถาปัตยกรรม AI สมัยใหม่กับคำถามที่ยาวนานในวิทยาศาสตร์การรับรู้และปรัชญาจิตใจ.

ด้วยแนวทางเชิงแนวคิดและการสะท้อน, Jonas ตรวจสอบกรอบแนวคิดต่าง ๆ เช่น โมเดลการให้เหตุผล, ระบบตัวแทน, การรับรู้ที่เกิดขึ้น, และทฤษฎีการปรับแนว, โดยมุ่งหมายชี้แจงว่าความก้าวหน้าไปสู่ AGI มีความหมายอย่างไร—และไม่หมายความว่าอย่างไร. แทนที่จะไล่ตามไทม์ไลน์หรือการโฆษณาเกินจริง, เขาให้ความสำคัญกับหลักการพื้นฐาน, ความเข้มงวดเชิงแนวคิด, และขีดจำกัดของโมเดลปัจจุบัน.

บทความที่เขียนโดย Jonas Reeve ถูกสร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำ, ความชัดเจน, และการอภิปรายอย่างรับผิดชอบเกี่ยวกับแนวคิด AI ขั้นสูง.