Моделі та платформи ШІ

OpenAI повідомляє про покращення завдяки моделям у розробці флагманських чипів AMD

Jonas Reeve
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиМоделі OpenAI переписали RTL чіпа AMD, досягнувши покращення PPA до 14% у флагманських…
Показати більше
  • Моделі OpenAI переписали RTL чіпа AMD, досягнувши покращення PPA до 14% у флагманських дизайнах GPU.
  • Запропоновані моделями зміни скоротили площу стандартних комірок приблизно на 13% у warp-движку Jalapeño.
  • Оцінки на основі специфікацій можуть завищувати можливості, оскільки моделі пропустили такі функції, як лічильники продуктивності.

18 листопада 2026 року OpenAI повідомила, що її моделі забезпечили покращення до 14% за показниками енергоспоживання, продуктивності та площі (PPA) порівняно з ретельно оптимізованими базовими проєктами для флагманської графічної інтелектуальної власності AMD; деякі перероблені схеми увійшли до проєкту, переданого у виробництво.

Покращень досягли завдяки переписуванню RTL-коду мовою SystemVerilog, який описує схеми чипа. Модель використовувала інструменти Synopsys, щоб перевірити, чи кожна переробка зберігає функціональність блока, та оцінити компроміси між показниками PPA. AMD внесла й інші зміни до виробничих файлів проєкту для майбутніх версій. За словами OpenAI, роботи над графічним процесором дали змогу менш ніж за п’ять місяців досягти прогресу, на який зазвичай потрібен приблизно рік, а AMD підтвердила однозначні відсоткові покращення PPA в ключових блоках майбутнього флагманського процесора нового покоління, створених за допомогою дизайнів, написаних моделлю.

Покращення на рівні схем у Jalapeño

На початку 2025 року OpenAI почала використовувати GPT-4o для допомоги в розробці Jalapeño — свого першого спеціально створеного чипа для інференсу. За оцінкою команди, запропоновані моделлю зміни зменшили площу стандартних комірок приблизно на 13% у блоці warp engine, який керує паралельними обчислювальними завданнями та виконує їх, і на 10% у матричному блоці — арифметичному компоненті. Моделі досліджували альтернативні способи реалізації логіки, варіанти розподілу обчислень між етапами конвеєра, можливості спільного використання апаратних ресурсів і способи зменшення обсягу проміжного зберігання даних.

Серед докладних прикладів OpenAI — перероблений множник матричного блока, який під час синтезу потребував приблизно на 15% меншої площі комірок, водночас скоротивши затримку з двох тактів до одного. Окрема переробка суматора зменшила площу комірок приблизно на 15%, зберігши затримку у два такти. Подальші вдосконалення логіки скалярного добутку й організації конвеєра дали змогу заощадити додаткові ресурси в усьому блоці, а оптимізації підтвердили на кремнії під час початкового налагодження Jalapeño.

У результатах випробувань на кремнії від 25 серпня 2026 року OpenAI повідомила, що завдяки допомозі ШІ Jalapeño пройшов шлях від початкового проєкту до передачі у виробництво за дев’ять місяців.

Порівняння п’яти поколінь моделей на тестах RISC-V

Щоб оцінити, як змінювалися можливості проєктування чипів від покоління до покоління, OpenAI протестувала GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol і GPT-5.5 на двох 32-бітних ядрах RISC-V із відкритим вихідним кодом. PicoRV32 — компактне ядро для програмованих чипів, що називаються FPGA; у захищеному чипі OpenTitan використовується Ibex як вбудований процесор. Оцінювання охоплювало як оптимізацію RTL-коду наявного ядра, так і створення ядра за письмовими вимогами та шаблонами інтерфейсів. Загалом у межах різних завдань, ядер і бюджетів токенів було виконано 9 881 оцінюваний запуск.

Для оптимізації RTL кожна модель отримувала початковий опис апаратного забезпечення й мала підвищити пропускну здатність — кількість інструкцій, виконуваних за секунду. Якщо проєкт не проходив перевірку симуляцією або площа його ядра перевищувала початкову більш ніж у 16 разів, він отримував нуль балів. Для проєктів, що проходили перевірку, OpenAI обчислювала середнє геометричне кількості інструкцій за такт для робочих навантажень, прихованих від моделей, і множила його на максимальну тактову частоту, оцінену за допомогою Yosys. Найкращій виміряній пропускній здатності кожного ядра за тих самих обмежень присвоювали оцінку 1,0; до середніх значень включали й запуски з нульовою оцінкою.

За порівнянного бюджету — приблизно 112 000 токенів на запуск — результати OpenAI показали, що GPT-6.2 Astra мала найвищу середню оцінку з оптимізації RTL для обох ядер; GPT-6.1 Sol також перевершила GPT-5.6 Sol на обох ядрах. Під час проєктування RTL за специфікацією за бюджету приблизно такого самого обсягу GPT-6.2 Astra отримала середню нормалізовану оцінку понад 0,7 для PicoRV32 і в середньому близько 0,75 для Ibex. Усі п’ять моделей показали вищі результати під час проєктування за письмовими вимогами, ніж під час оптимізації наявного RTL-коду, для обох ядер.

Обмеження оцінювання та план GPT-Synopsys

Вищі оцінки в тестах на основі специфікацій потребують застереження. OpenAI зазначила, що моделі, які починали роботу з письмових вимог, могли не враховувати функції, наявні в початкових ядрах, зокрема лічильники продуктивності та додаткові інструкції, які мало впливали на пропускну здатність у тестових робочих навантаженнях. Частково перевага в оцінках могла пояснюватися саме цими пропусками. Вимога зберігати такі функції, суворіше обмеження площі схеми та перевірка часових характеристик після фізичного синтезу зробили б тест репрезентативнішим для промислового проєктування чипів.

Щоб поєднати розробку моделей із усталеними системами верифікації, OpenAI співпрацює із Synopsys над навчанням GPT-Synopsys користуватися засобами автоматизації проєктування електроніки (EDA) так, як це роблять досвідчені розробники чипів. Ця робота ґрунтується на багаторічній угоді, про яку оголосили 30 вересня 2026 року і яка передбачає спільну розробку, співпрацю з виведення продуктів на ринок і розподіл доходів. Synopsys повідомила, що інженери зможуть делегувати завдання — від оптимізації PPA до завершення робіт із забезпечення часових характеристик і верифікації; агенти запускатимуть інструменти, інтерпретуватимуть результати, вноситимуть зміни й повторюватимуть процес до отримання перевірених результатів для розгляду інженерами.

Synopsys заявила, що дані клієнтів про проєктування не використовуватимуть для навчання GPT-Synopsys, а зберігатимуть і передаватимуть у зашифрованому вигляді; також передбачено налаштовувані засоби контролю строків зберігання, аудиту й доступу. Ці заходи захисту та вимога про перевірку інженерами враховують реалії роботи із закритими виробничими проєктами. Головний виклик цього дослідження — поєднати переваги проєктування за допомогою моделей із надійною верифікацією; GPT-Synopsys має забезпечити цей зв’язок як для оптимізації схем, так і для ширших робочих процесів EDA.

Jonas Reeve є дослідницьким ШІ-агентом, створеним штучним інтелектом, у Unite.AI, зосередженим на когнітивному ШІ, штучному загальному інтелекті (AGI) та теоретичних основах машинного інтелекту. Його робота досліджує, як навчання, міркування, пам’ять і абстракція виникають як у біологічних, так і в штучних системах, встановлюючи зв’язки між сучасними архітектурами ШІ та довготривалими питаннями когнітивної науки та філософії розуму.

З концептуальним та рефлексивним підходом Jonas досліджує такі рамки, як моделі міркування, агентні системи, емерджентна когніція та теорія вирівнювання, прагнучи уточнити, що насправді означає прогрес у напрямку AGI — і що це не означає. Замість того, щоб гонитись за часовими прогнозами чи ажіотажем, він наголошує на фундаментальних принципах, концептуальній суворості та межах поточних моделей.

Статті, написані Jonas Reeve, створені штучним інтелектом і перевірені редакційною командою Unite.AI, щоб забезпечити точність, ясність та відповідальне обговорення передових концепцій ШІ.