Yapay zeka modelleri ve platformları
OpenAI, AMD’nin amiral gemisi yonga tasarımlarında modellerin sağladığı kazanımları bildirdi

Öne çıkan noktalarOpenAI'nin modelleri, amiral gemisi GPU tasarımlarında %14'e varan PPA kazanımı için…
Daha fazla göster
- OpenAI'nin modelleri, amiral gemisi GPU tasarımlarında %14'e varan PPA kazanımı için AMD çip RTL'sini yeniden yazdı.
- Model tarafından önerilen değişiklikler, Jalapeño'nun warp motorunda standart hücre alanını yaklaşık %13 azalttı.
- Şartname tabanlı puanlar, modeller performans sayaçları gibi özellikleri atladığı için yeteneği olduğundan fazla gösterebilir.
OpenAI, 18 Kasım 2026’da modellerinin AMD’nin amiral gemisi GPU fikrî mülkiyetinde, yoğun biçimde optimize edilmiş temel tasarımlara kıyasla güç, performans ve alan (PPA) ölçütlerinde %14’e varan iyileşme sağladığını; devrelerde yapılan bazı yeniden yazımların ise üretime gönderilen bir tasarıma dahil edildiğini bildirdi.
Kazanımlar, bir yonganın devrelerini tanımlayan kod olan SystemVerilog RTL’nin yeniden yazılmasıyla elde edildi. Model, her yeniden yazımın bir bloğun davranışını koruduğunu doğrulamak ve PPA ödünleşimlerini değerlendirmek için Synopsys araçlarını kullandı. AMD, gelecek sürümlere yönelik üretim tasarım dosyalarına başka değişiklikler de ekledi. OpenAI, GPU çalışmalarında yaklaşık bir yıllık ilerlemenin beş aydan kısa sürede kaydedildiğini ve AMD’nin, model tarafından yazılan tasarımları kullanarak yakında çıkacak yeni nesil amiral gemisi CPU’nun temel bloklarında tek haneli yüzde oranında PPA kazanımları elde edildiğini doğruladığını söyledi.
Jalapeño’da devre düzeyinde kazanımlar
OpenAI, özel olarak tasarladığı ilk çıkarım yongası Jalapeño’nun tasarımına yardımcı olması için GPT-4o’yu 2025’in başlarında kullanmaya başladı. Ekip, modelin önerdiği değişikliklerin paralel hesaplama görevlerini yöneten ve yürüten warp motorundaki standart hücre alanını yaklaşık %13, aritmetik bir bileşen olan matris birimindekini ise %10 azalttığını tahmin ediyor. Modeller alternatif mantık uygulamalarını, hesaplamaları işlem hattı aşamalarına bölme yöntemlerini, donanımı paylaşma olanaklarını ve ara depolama gereksinimini azaltma yollarını araştırdı.
OpenAI’nin ayrıntılı örnekleri arasında, sentez sırasında yaklaşık %15 daha az hücre alanı kullanan ve gecikmeyi iki saat çevriminden bire indiren bir matris birimi çarpanının yeniden tasarımı da yer alıyor. Ayrı bir toplayıcı yeniden tasarımı, iki saat çevrimlik gecikmeyi korurken hücre alanını yaklaşık %15 azalttı. Nokta çarpım mantığında ve işlem hattı düzeninde yapılan başka iyileştirmeler de blok genelinde ek tasarruf sağladı; optimizasyonların işe yaradığı, Jalapeño’nun devreye alınması sırasında silikon üzerinde doğrulandı.
OpenAI’nin 25 Ağustos 2026 tarihli silikon sonuçları, yapay zekâ desteğinin Jalapeño’nun ilk tasarımdan üretime gönderim aşamasına dokuz ayda ulaşmasına yardımcı olduğunu bildirdi.
RISC-V testlerinde beş model nesli karşılaştırılıyor
OpenAI, yonga tasarlama yeteneğinin nesiller boyunca nasıl değiştiğini ölçmek için GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol ve GPT-5.5 modellerini iki açık kaynaklı 32 bit RISC-V çekirdeğinde test etti. PicoRV32, FPGA adı verilen yeniden programlanabilir yongalar için tasarlanmış kompakt bir çekirdektir; OpenTitan ise güvenlik yongasında gömülü işlemci olarak Ibex’i kullanır. Değerlendirme, hem mevcut bir çekirdeğin RTL’sini optimize etmeyi hem de yazılı gereksinimler ve arayüz şablonlarından bir çekirdek oluşturmayı kapsadı; görevler, çekirdekler ve belirteç bütçeleri genelinde puanlanan toplam 9.881 çalışma yapıldı.
RTL optimizasyonunda her modele özgün donanım açıklaması verildi ve saniyede yürütülen komut sayısı olan verimi artırması istendi. Simülasyon kontrolünü geçemeyen veya özgün çekirdeğin alanının 16 katından fazlasını kullanan bir tasarıma sıfır puan verildi. Kontrolleri geçen tasarımlarda OpenAI, modellerden gizlenen iş yükleri genelindeki saat çevrimi başına komut sayısının geometrik ortalamasını aldı ve bunu Yosys ile tahmin edilen en yüksek saat frekansıyla çarptı. Aynı kısıtlar altında her çekirdek için gözlemlenen en yüksek verime 1,0 puan verildi; ortalamalara sıfır puan alan çalışmalar da dahil edildi.
Çalışma başına yaklaşık 112.000 belirteçlik benzer bir bütçede OpenAI’nin sonuçları, RTL optimizasyonunda her iki çekirdekte de en yüksek ortalama puanı GPT-6.2 Astra modelinin aldığını gösterdi; GPT-6.1 Sol da her iki çekirdekte GPT-5.6 Sol’u geride bıraktı. Benzer bütçeyle yapılan belirtimden RTL tasarımında GPT-6.2 Astra, PicoRV32’de 0,7’nin üzerinde ortalama normalize puan aldı ve Ibex’te ortalama yaklaşık 0,75’e ulaştı. Beş modelin tümü, her iki çekirdekte de mevcut RTL’yi optimize etmeye kıyasla yazılı gereksinimlerden tasarım yaparken daha yüksek puan aldı.
Değerlendirmenin sınırları ve GPT-Synopsys planı
Belirtim temelli puanların daha yüksek olması bazı çekinceleri de beraberinde getiriyor. OpenAI, yazılı gereksinimlerden başlayan modellerin özgün çekirdeklerde bulunan performans sayaçları ve ek komutlar gibi, test iş yüklerinde verimi artırmaya pek katkı sağlamayan özellikleri atlayabildiğini söyledi. Bu eksiklikler, puan avantajının bir bölümünü açıklayabilir. Bu özelliklerin zorunlu tutulması, devre alanı sınırının daraltılması ve fiziksel sentezden sonra zamanlamanın kontrol edilmesi, testi üretim amaçlı yonga tasarımını daha iyi yansıtacak hâle getirirdi.
Model geliştirmeyi yerleşik doğrulama sistemleriyle buluşturmak amacıyla OpenAI, uzman yonga tasarımcılarının yaptığı gibi elektronik tasarım otomasyonu (EDA) araçlarını kullanması için GPT-Synopsys’i eğitmek üzere Synopsys ile ortaklık kuruyor. Bu çalışma, ortak geliştirme, pazara açılma iş birliği ve gelir paylaşımını kapsayan, 30 Eylül 2026’da duyurulan çok yıllı bir anlaşmaya dayanıyor. Synopsys, mühendislerin PPA optimizasyonundan zamanlama ve doğrulama kapanışına kadar uzanan hedefleri devredeceğini; ajanların araçları çalıştıracağını, sonuçları yorumlayacağını, değişiklikleri uygulayacağını ve mühendislerin incelemesi için doğrulanmış sonuçlara ulaşana kadar yineleme yapacağını söyledi.
Synopsys, müşterilerin tasarım verilerinin GPT-Synopsys’i eğitmek için kullanılmayacağını ve verilerin hem depolandığında hem de aktarım sırasında şifreleneceğini; ayrıca saklama süresi, denetim ve izin denetimlerinin yapılandırılabileceğini söyledi. Bu korumalar ve mühendis incelemesi zorunluluğu, tescilli üretim tasarımları üzerinde çalışmanın gereklerini karşılıyor. Araştırmanın temel zorluğu, model odaklı tasarım kazanımlarını güvenilir doğrulamayla bir araya getirmek; GPT-Synopsys ise devre optimizasyonu ve daha geniş EDA iş akışlarında bu bağlantıyı kurmak üzere tasarlandı.












