AI 模型与平台
OpenAI报告:模型助力提升AMD旗舰芯片设计表现

要点OpenAI的模型重写了AMD芯片的RTL,在旗舰GPU设计上实现了最高14%的PPA提升。
查看更多
- OpenAI的模型重写了AMD芯片的RTL,在旗舰GPU设计上实现了最高14%的PPA提升。
- 模型提出的修改使Jalapeño的warp引擎中标准单元面积减少了约13%。
- 基于规格的评分可能高估能力,因为模型省略了性能计数器等功能。
OpenAI于2026年11月18日报告称,其模型在AMD旗舰GPU知识产权设计上,相较于经过高度优化的基准方案,在功耗、性能和面积(PPA)方面实现了最高14%的提升;其中一些电路改写已纳入送交制造的设计。
这些提升来自对SystemVerilog RTL(描述芯片电路的代码)的改写。模型借助Synopsys工具,验证每次改写是否保留了模块原有行为,并评估PPA方面的取舍。AMD还对用于未来版本的量产设计文件作了其他修改。OpenAI表示,GPU方面的工作用不到五个月就取得了约一年的进展;AMD还验证了即将推出的新一代旗舰CPU若干关键模块的PPA提升达到个位数百分比,这些设计由模型编写。
Jalapeño的电路级提升
OpenAI于2025年初开始使用GPT-4o协助设计Jalapeño,这是其首款定制推理芯片。团队估计,模型提出的修改使warp引擎(负责管理和执行并行计算任务)的标准单元面积缩小了约13%,矩阵单元(算术组件)的面积缩小了10%。模型探索了不同的逻辑实现方式、在流水线各级之间划分计算的方法、硬件共享的机会,以及减少中间存储的方法。
OpenAI列举的详细案例包括重新设计矩阵单元中的乘法器:综合后,该设计的单元面积减少了约15%,延迟也从两个时钟周期缩短至一个。另一项加法器改版在保持两周期延迟的同时,将单元面积缩小了约15%。点积逻辑和流水线组织方式的进一步改进也为整个模块带来了额外的节省;这些优化在Jalapeño启动验证期间通过了硅片实测。
OpenAI的2026年8月25日公布的硅片测试结果显示,AI辅助使Jalapeño从初始设计到流片仅用了九个月。
RISC-V测试比较五代模型
为衡量芯片设计能力在不同代际间的变化,OpenAI在两个开源32位RISC-V内核上测试了GPT-6.2 Astra、GPT-6 Astra、GPT-6.1 Sol、GPT-5.6 Sol和GPT-5.5。PicoRV32是一款用于名为FPGA的可重配置芯片的紧凑型内核;OpenTitan则在其安全芯片中使用Ibex作为嵌入式处理器。评估既涵盖对现有内核RTL的优化,也涵盖根据书面需求和接口模板创建内核;所有任务、内核和令牌预算合计进行了9,881次计分运行。
在RTL优化测试中,每个模型都会收到原始硬件描述,并被要求提高吞吐量,即每秒执行的指令数。如果设计未能通过仿真检查,或面积超过原始内核的16倍,就会被记为零分。对于通过检查的设计,OpenAI先计算模型未见过的工作负载下每时钟周期指令数的几何平均值,再将其乘以使用Yosys估算出的最高时钟频率。在相同约束下,每个内核观测到的最高吞吐量被设为1.0分;平均分计算也包括零分运行。
在每次运行预算约为112,000个令牌、彼此相当的条件下,OpenAI的结果显示,在RTL优化方面,GPT-6.2 Astra在两个内核上的平均得分均为最高;GPT-6.1 Sol在两个内核上的得分也都高于GPT-5.6 Sol。在预算相近的规格到RTL设计测试中,GPT-6.2 Astra在PicoRV32上的平均归一化得分超过0.7,在Ibex上的平均得分约为0.75。对于这两个内核,五种模型从书面需求出发进行设计时的得分,都高于优化现有RTL时的得分。
评估局限与GPT-Synopsys计划
基于规格的设计得分较高,但需要审慎解读。OpenAI表示,从书面需求出发的模型可能会遗漏原有内核中的某些功能,例如性能计数器和额外指令;这些功能对测试工作负载的吞吐量提升作用不大。此类遗漏可能解释了部分得分优势。若要求模型保留这些功能、收紧电路面积限制,并在物理综合后检查时序,测试结果就会更能代表量产芯片设计的实际情况。
为将模型开发与成熟的验证系统衔接起来,OpenAI正与Synopsys合作训练GPT-Synopsys,使其能够像资深芯片设计人员一样使用电子设计自动化(EDA)工具。这项工作建立在2026年9月30日宣布的一项多年期协议之上,协议涵盖联合开发、市场推广合作和收入分成。Synopsys表示,工程师将把从PPA优化到时序收敛和验证收敛等目标交由模型处理;智能体会运行工具、解读结果、实施修改并反复迭代,直至获得经过验证、可供工程师审查的结果。
Synopsys表示,客户设计数据不会用于训练GPT-Synopsys,并将在静态存储和传输过程中加密,同时提供可配置的数据保留期限、审计和权限控制。这些保护措施以及必须由工程师审查的要求,回应了专有量产设计工作的现实需求。这项研究面临的核心挑战,是将模型驱动的设计提升与可信验证结合起来;GPT-Synopsys旨在贯通电路优化和更广泛的EDA工作流程。












