OpenAI улучшила дизайн чипов с помощью моделей: до 14% на GPU AMD

OpenAI опубликовала разбор того, как её модели помогают проектировать микросхемы. Речь о трёх направлениях: собственный первый инференс-чип Jalapeño, совместная работа с AMD и тест на двух открытых RISC-V-ядрах. Главная метрика, PPA (мощность, производительность, площадь кристалла).
Jalapeño. Использовать модель GPT-o3 mini для проектирования Jalapeño начали в начале 2025 года. В векторном блоке экономия пришла от сумматоров и умножителей с плавающей запятой, функций преобразования, логики редукции и блока специальных функций: модели пробовали другие реализации логики и иное деление вычислений по конвейерным стадиям, находя возможности для общего использования оборудования и сокращения промежуточного хранения. В матричном блоке одна переработка умножителя дала около 15% экономии площади ячеек при синтезе и снизила задержку с двух тактов до одного; отдельная переработка сумматора сократила площадь ячеек примерно на 15% при прежней двухтактной задержке. По оценке самой команды, по всему проекту Jalapeño предложенные моделью изменения уменьшили площадь стандартных ячеек примерно на 13% в векторном блоке и на 10% в матричном. По словам OpenAI, эти оптимизации подтверждены на кремнии при запуске чипа.
AMD. OpenAI вместе с AMD получила улучшение PPA до 14% относительно сильно оптимизированных базовых вариантов на флагманском GPU IP (готовом блоке проекта). Модель переписывала код SystemVerilog RTL, описывающий схемы чипа. OpenAI называет это примерно годом прогресса, достигнутым меньше чем за 5 месяцев, и «беспрецедентными результатами». AMD уже включила часть изменений в недавний проект, отправленный на производство, а другие добавила в рабочие проектные файлы для будущих версий. Кроме того, AMD проверила прирост PPA в единицы процентов в ключевых блоках своего будущего флагманского процессора на проектах, написанных моделью; точное значение не названо. OpenAI ожидает дальнейших улучшений для GPU и CPU относительно самых оптимизированных базовых вариантов. Модель, по наблюдению OpenAI, рассуждает о RTL на уровне опытного микроархитектора; с помощью инструментов Synopsys она проверяла, что каждая переписанная часть сохраняет поведение блока, и оценивала компромиссы по мощности, производительности и площади.
Тест на RISC-V. Чтобы замерять прогресс от поколения к поколению моделей, OpenAI испытала их на двух открытых 32-битных ядрах: PicoRV32 (компактное ядро для программируемых микросхем FPGA) и Ibex (встроенный процессор защищённого чипа OpenTitan). В первой задаче модели получали исходное описание аппаратуры и должны были повысить пропускную способность (число инструкций в секунду). Проект получал ноль, если не проходил проверку в симуляции или занимал больше чем в 16 раз большую площадь, чем исходное ядро; прошедшие проверку измеряли на скрытых от моделей нагрузках, итог умножали на оценку максимальной частоты в Yosys. Лучшая наблюдавшаяся пропускная способность получала оценку 1,0; на графиках, средний балл по запускам, включая нулевые. При сопоставимом бюджете около 112 000 токенов на запуск GPT-6.2 Astra получила наивысший средний балл на обоих ядрах, а GPT-6.1 Sol на обоих обошла GPT-5.6 Sol.
Во второй задаче модели получали письменные требования и шаблоны подключения ядра к системе и сами выбирали, как двигаются данные и как делить работу на стадии. При том же бюджете все пять моделей набрали больше баллов, проектируя ядро с нуля по требованиям, чем улучшая существующий проект, и на PicoRV32, и на Ibex; GPT-6.2 Astra выиграла больше на Ibex. Всего оценка включала 9 881 зачётный запуск. OpenAI оговаривает, что при старте с требований модели могут опускать функции оригинала (счётчики производительности, дополнительные инструкции), которые мало влияют на пропускную способность в тестовых нагрузках, и это может объяснять часть преимущества. Чтобы тест лучше соответствовал промышленному проектированию, нужно было бы требовать эти функции, ужесточить лимит площади и проверять тайминги после физического синтеза.
Synopsys. OpenAI сообщает, что партнёрится с Synopsys, чтобы обучить новую модель GPT-Synopsys работать с инструментами автоматизации проектирования (EDA) Synopsys так, как это делают опытные проектировщики чипов.
Ключевые факты
- В матричном блоке Jalapeño переработка умножителя дала около 15% экономии площади ячеек при синтезе и снизила задержку с двух тактов до одного; переработка сумматора, около 15% при прежних двух тактах.
- По оценке команды OpenAI, предложенные моделью изменения уменьшили площадь стандартных ячеек Jalapeño примерно на 13% в векторном блоке и на 10% в матричном; оптимизации подтверждены на кремнии.
- С AMD получено улучшение PPA до 14% на флагманском GPU IP относительно сильно оптимизированных вариантов; на ключевых блоках будущего флагманского CPU AMD подтвердила прирост в единицы процентов.
- В тесте на двух открытых RISC-V-ядрах (PicoRV32 и Ibex) при около 112 000 токенов на запуск лучше всех GPT-6.2 Astra; все пять моделей лучше проектировали ядро по требованиям, чем улучшали готовое.
- OpenAI и Synopsys обучают модель GPT-Synopsys работать с EDA-инструментами Synopsys.
Почему это важно
Проектирование чипов, дорогая и узкоспециализированная работа, а здесь модели предлагают правки в реальных промышленных проектах: на Jalapeño их эффект, по заверению OpenAI, подтверждён кремнием, а часть изменений AMD уже включила в проект, отправленный на производство. OpenAI называет сделанное примерно годом прогресса за меньше чем 5 месяцев. Это сильное заявление компании о собственной работе.
Кому это важно
Инженерам по проектированию микросхем и командам, работающим с EDA-инструментами и RTL; компаниям, разрабатывающим собственные ускорители; тем, кто следит за тем, как ИИ-модели осваивают сложную инженерную работу. Также интересно разработчикам, оценивающим модели на задачах с проверяемым результатом: в тесте на RISC-V есть чёткие проверки и метрика пропускной способности.
Как это применить
Готового продукта для использования в тексте нет. Практический ориентир, схема работы: модель переписывает RTL, а результат проверяется инструментами Synopsys на сохранение поведения и на компромиссы по мощности, производительности и площади. Модель GPT-Synopsys только обучается совместно с Synopsys, сроки её выхода и размер в источнике не названы.
Можно ли доверять
Это материал самой OpenAI о собственных моделях и проектах. Часть результатов, оценка команды (13% и 10% по Jalapeño); прирост на CPU назван подтверждённым AMD. Цифра «до 14%», максимум, а не типичный результат, и в тексте не сказано, к каким блокам она относится. Абсолютных значений (ватты, мегагерцы, мм²) нет, для RISC-V-теста числовых оценок в тексте нет, только ранжирование. Независимой проверки сверх проверки AMD и реакции третьих лиц в источнике нет. Формулировки вроде «беспрецедентные результаты», самооценка компании.
Риски и подводные камни
OpenAI сама признаёт, что тест на RISC-V не вполне отражает промышленное проектирование: при старте с требований модели могут опускать функции, мало влияющие на тестовые нагрузки; для большей реалистичности нужны были бы обязательные функции, более жёсткий лимит площади и проверка таймингов после физического синтеза. Поэтому преимущество проектирования с нуля над улучшением готового нельзя считать общим выводом. Прирост на CPU указан лишь как «единицы процентов», а заявленные дальнейшие улучшения, ожидание, а не результат.
«Мы наблюдали, как модель рассуждает о RTL на уровне опытного микроархитектора.»
— OpenAI, из публикации «Advancing chip design with OpenAI models»