Mô hình và nền tảng AI

OpenAI báo cáo những cải thiện nhờ mô hình trong thiết kế chip chủ lực của AMD

Jonas Reeve
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Điểm chínhCác mô hình của OpenAI đã viết lại RTL chip AMD để đạt mức tăng PPA lên tới 14% trên…
Xem thêm
  • Các mô hình của OpenAI đã viết lại RTL chip AMD để đạt mức tăng PPA lên tới 14% trên các thiết kế GPU hàng đầu.
  • Những thay đổi do mô hình đề xuất đã cắt giảm diện tích standard-cell khoảng 13% trong warp engine của Jalapeño.
  • Điểm số dựa trên đặc tả có thể đánh giá quá cao năng lực vì các mô hình đã bỏ qua các tính năng như bộ đếm hiệu năng.

Ngày 18 tháng 11 năm 2026, OpenAI báo cáo rằng các mô hình của họ giúp cải thiện tới 14% về công suất, hiệu năng và diện tích (PPA) so với các thiết kế cơ sở đã được tối ưu hóa kỹ lưỡng trên khối IP GPU chủ lực của AMD; một số bản viết lại mạch đã được đưa vào thiết kế gửi đi sản xuất.

Những cải thiện này đến từ việc viết lại RTL bằng SystemVerilog, tức mã mô tả các mạch của chip. Mô hình sử dụng công cụ của Synopsys để xác minh rằng mỗi lần viết lại đều giữ nguyên hoạt động của khối và đánh giá các đánh đổi về PPA. AMD đã bổ sung những thay đổi khác vào các tệp thiết kế sản xuất dành cho những phiên bản trong tương lai. OpenAI cho biết công việc trên GPU đạt được thành quả tương đương khoảng một năm tiến bộ trong chưa đầy năm tháng; AMD cũng xác minh mức tăng PPA ở ngưỡng một chữ số phần trăm trên các khối trọng yếu của một CPU chủ lực thế hệ tiếp theo sắp ra mắt, sử dụng các thiết kế do mô hình tạo ra.

Cải thiện ở cấp độ mạch trong Jalapeño

OpenAI bắt đầu sử dụng GPT-4o để hỗ trợ thiết kế Jalapeño, chip suy luận tùy chỉnh đầu tiên của công ty, vào đầu năm 2025. Nhóm ước tính rằng những thay đổi do mô hình đề xuất giúp giảm diện tích cell tiêu chuẩn khoảng 13% trong bộ xử lý warp, bộ phận quản lý và thực thi các tác vụ tính toán song song, và giảm 10% trong khối ma trận, một thành phần số học. Các mô hình đã khảo sát những cách triển khai logic khác nhau, cách phân chia phép tính giữa các giai đoạn của đường ống, cơ hội dùng chung phần cứng và khả năng giảm dung lượng lưu trữ trung gian.

Các ví dụ chi tiết của OpenAI bao gồm thiết kế lại bộ nhân trong khối ma trận, giúp giảm khoảng 15% diện tích cell trong quá trình tổng hợp, đồng thời rút độ trễ từ hai chu kỳ xung nhịp xuống còn một. Một thiết kế lại bộ cộng riêng biệt giảm khoảng 15% diện tích cell trong khi vẫn giữ độ trễ ở mức hai chu kỳ. Những cải tiến bổ sung đối với logic tích vô hướng và cách tổ chức đường ống cũng giúp tiết kiệm thêm trên toàn khối; các tối ưu hóa này đã được kiểm chứng trên silicon trong quá trình đưa Jalapeño vào hoạt động.

Kết quả silicon ngày 25 tháng 8 năm 2026 của OpenAI cho biết AI đã giúp Jalapeño đi từ giai đoạn thiết kế ban đầu đến khi hoàn tất thiết kế để gửi đi sản xuất trong chín tháng.

Các bài kiểm tra RISC-V so sánh năm thế hệ mô hình

Để đo lường năng lực thiết kế chip thay đổi ra sao qua các thế hệ, OpenAI đã thử nghiệm GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol và GPT-5.5 trên hai lõi RISC-V mã nguồn mở 32-bit. PicoRV32 là một lõi nhỏ gọn được thiết kế cho các chip có thể lập trình lại, gọi là FPGA; OpenTitan sử dụng Ibex làm bộ xử lý nhúng trong chip bảo mật của mình. Đánh giá này bao gồm cả việc tối ưu hóa RTL của một lõi hiện có lẫn tạo lõi mới từ các yêu cầu bằng văn bản và mẫu giao diện; tổng cộng có 9,881 lượt chạy được chấm điểm trên các tác vụ, lõi và ngân sách token.

Để tối ưu hóa RTL, mỗi mô hình được cung cấp mô tả phần cứng ban đầu và yêu cầu tăng thông lượng, tức số lệnh thực thi mỗi giây. Thiết kế bị chấm 0 nếu không vượt qua bước mô phỏng hoặc có diện tích lớn hơn 16 lần diện tích lõi ban đầu. Với các thiết kế vượt qua bước kiểm tra, OpenAI tính trung bình nhân số lệnh mỗi chu kỳ trên những khối lượng công việc bị ẩn khỏi các mô hình, rồi nhân kết quả với tần số xung nhịp tối đa do Yosys ước tính. Thông lượng cao nhất quan sát được của mỗi lõi trong cùng các điều kiện ràng buộc được chấm 1.0; điểm trung bình bao gồm cả những lượt chạy đạt điểm 0.

Với ngân sách tương đương khoảng 112,000 token mỗi lượt chạy, kết quả của OpenAI cho thấy GPT-6.2 Astra đạt điểm trung bình cao nhất trên cả hai lõi trong tác vụ tối ưu hóa RTL; GPT-6.1 Sol cũng đạt điểm cao hơn GPT-5.6 Sol trên cả hai lõi. Trong tác vụ chuyển từ đặc tả sang RTL với ngân sách gần tương đương, GPT-6.2 Astra đạt điểm chuẩn hóa trung bình trên 0.7 trên PicoRV32 và trung bình khoảng 0.75 trên Ibex. Trên cả hai lõi, cả năm mô hình đều đạt điểm cao hơn khi thiết kế từ các yêu cầu bằng văn bản so với khi tối ưu hóa RTL hiện có.

Giới hạn của đánh giá và kế hoạch GPT-Synopsys

Kết quả cao hơn trong các bài kiểm tra dựa trên đặc tả đi kèm một điểm cần lưu ý. OpenAI cho biết các mô hình bắt đầu từ yêu cầu bằng văn bản có thể bỏ sót những tính năng có trong các lõi ban đầu, chẳng hạn như bộ đếm hiệu năng và các lệnh bổ sung, vốn ít giúp cải thiện thông lượng trên những khối lượng công việc thử nghiệm. Những thiếu sót đó có thể giải thích một phần lợi thế về điểm số. Việc yêu cầu phải có các tính năng này, đặt giới hạn diện tích mạch chặt chẽ hơn và kiểm tra thời gian sau khi tổng hợp vật lý sẽ giúp bài kiểm tra phản ánh sát hơn công việc thiết kế chip sản xuất.

Để kết nối quá trình phát triển mô hình với các hệ thống xác minh đã được thiết lập, OpenAI đang hợp tác với Synopsys để huấn luyện GPT-Synopsys sử dụng các công cụ tự động hóa thiết kế điện tử (EDA) như những nhà thiết kế chip giàu kinh nghiệm. Công việc này phát triển dựa trên thỏa thuận nhiều năm được công bố ngày 30 tháng 9 năm 2026, bao gồm phát triển chung, hợp tác đưa sản phẩm ra thị trường và chia sẻ doanh thu. Synopsys cho biết các kỹ sư sẽ giao phó những mục tiêu từ tối ưu hóa PPA đến hoàn tất quy trình phân tích thời gian và xác minh; các tác tử sẽ chạy công cụ, diễn giải kết quả, thực hiện thay đổi và lặp lại quy trình để đạt được kết quả đã xác minh, sau đó trình kỹ sư xem xét.

Synopsys cho biết dữ liệu thiết kế của khách hàng sẽ không được dùng để huấn luyện GPT-Synopsys và sẽ được mã hóa khi lưu trữ lẫn khi truyền tải; các tùy chọn lưu giữ dữ liệu, kiểm tra và phân quyền có thể cấu hình. Những biện pháp bảo vệ này cùng yêu cầu để kỹ sư xem xét giải quyết các yêu cầu thực tế khi làm việc với những thiết kế sản xuất độc quyền. Thách thức cốt lõi của nghiên cứu là kết nối những cải thiện trong thiết kế nhờ mô hình với quy trình xác minh đáng tin cậy; GPT-Synopsys được tạo ra nhằm thiết lập mối liên kết đó trong cả tối ưu hóa mạch lẫn các quy trình EDA rộng hơn.

Jonas Reeve là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, tập trung vào AI nhận thức, trí tuệ nhân tạo chung (AGI), và các nền tảng lý thuyết của trí thông minh máy móc. Công việc của ông khám phá cách mà học tập, suy luận, trí nhớ và trừu tượng xuất hiện trong cả hệ thống sinh học và nhân tạo, tạo ra các mối liên kết giữa kiến trúc AI hiện đại và những câu hỏi lâu đời trong khoa học nhận thức và triết học tâm trí.

Với cách tiếp cận khái niệm và suy ngẫm, Jonas xem xét các khung như mô hình suy luận, hệ thống tác nhân AI, nhận thức nổi lên, và lý thuyết cân chỉnh, nhằm làm rõ tiến bộ hướng tới AGI thực sự có nghĩa là gì — và không phải là gì. Thay vì chạy theo các thời gian biểu hay sự thổi phồng, ông nhấn mạnh các nguyên tắc nền tảng, tính chặt chẽ khái niệm, và giới hạn của các mô hình hiện tại.

Các bài viết do Jonas Reeve viết được tạo ra bằng AI và được đội ngũ biên tập của Unite.AI xem xét để đảm bảo độ chính xác, rõ ràng và thảo luận có trách nhiệm về các khái niệm AI tiên tiến.