OpenAI 于 11 月 19 日在技术文章中公开披露 AI 辅助芯片设计的工程进展。据 OpenAI 说法,与 AMD(超微)合作,在不到 5 个月内让旗舰 GPU IP 的功耗、性能与面积(PPA)最高改善 14%;比较基准为 AMD 工程师已花多年调整的现有设计。AMD 已把部分修改纳入近期提交制造的设计。
OpenAI 公布与 AMD 合作细节:PPA 最高改善 14%
据 OpenAI 技术文章,此次在不到 5 个月内取得的 PPA 改善,约相当于一年的设计改善量;比较基准为 AMD 工程师已投入多年调整的旗舰 GPU IP 设计。AMD 已把部分修改纳入近期提交制造的设计,其他修改则加入设计档案供未来版本采用。
此外,AMD 已在下一代旗舰 CPU 的关键区块,验证模型带来个位数百分比的 PPA 改善;具体改善幅度以 AMD 官方公告为准。
OpenAI 模型改写 SystemVerilog RTL
据 OpenAI 技术说明,模型改写的是 SystemVerilog RTL(寄存器传输级),即描述电路如何运算、控制与搬移数据的代码;模型能调整电路实现方式,寻找原有设计仍可节省资源的位置。
OpenAI 表示,模型使用新思科技(Synopsys)的工具,在改写前后检查电路是否维持相同行为,再评估功耗、性能与面积之间的取舍;验证一致性是每次修改后的必要步骤。
Jalapeño 四项电路改良已在实体芯片上验证:向量单元缩减 13%
据 OpenAI 技术文章,模型自 2025 年初起协助 Jalapeño 设计,采用 GPT-4o 尝试不同的运算电路与管线切分方式。电路面积缩减情况如下:
向量单元标准单元面积:减少约 13%
矩阵单元标准单元面积:减少约 10%
乘法器改写:面积减少约 15%,逻辑合成后延迟从 2 个时钟周期降为 1 个
加法器设计:面积减少约 15%,延迟维持 2 个时钟周期
据 OpenAI 说法,上述优化已在 Jalapeño 实体芯片初期启动与测试(bring-up)阶段获得验证。
RISC-V 评测使用 PicoRV32 与 Ibex 两款开源核心,共 9881 次计分
据 OpenAI 技术文章,评测使用 PicoRV32 与 Ibex 两款开源 32 位 RISC-V 核心,测试两类任务:改良既有电路,以及依书面规格重新设计核心。完整评测涵盖不同预算,共有 9,881 次计分执行;测试通过模拟检查输出,未通过或面积超过原核心 16 倍的设计计为零分。
在每次约 11.2 万 token 的可比预算下,GPT-6.2 Astra 在两款既有核心的优化任务中,平均分数最高。OpenAI 指出,从书面规格重建核心的成绩普遍较高,但模型可能省略部分原设计功能(如性能计数器),并要求更严格的面积限制与实体合成后时序检查,才能更贴近量产芯片设计的评测条件。
OpenAI 与 Synopsys 多年期合作规划开发 GPT-Synopsys 模型
据 OpenAI 技术文章,OpenAI 与 Synopsys 已宣布多年期合作,共同开发芯片设计专用模型 GPT-Synopsys,并规划营收分成与共同推向市场。按合作规划,工程师可把功耗、性能、面积或验证目标交给 AI 代理,由代理操作设计工具、解读结果、修改电路并反复测试,再把经过验证的成果交给工程师审核;具体合作细节以 OpenAI 与 Synopsys 官方公告为准。
常见问题
OpenAI 与 AMD 合作的 PPA 最高改善幅度、改善比较基准,及 AMD 已纳入提交制造设计的具体说明为何?
据 OpenAI 技术文章,合作在不到 5 个月内让 AMD 旗舰 GPU IP 的 PPA 最高改善 14%,比较基准为 AMD 工程师已花多年调整的现有设计,约相当于一年设计改善量。AMD 已把部分修改纳入近期提交制造的设计,其他修改加入设计档案供未来版本使用。
OpenAI 模型改写 SystemVerilog RTL 的验证流程,及 Jalapeño 四项电路改良的具体面积缩减数字与延迟变化为何?
据 OpenAI 技术说明,模型改写 SystemVerilog RTL 后,使用 Synopsys 工具验证电路行为一致性,再评估 PPA 取舍。Jalapeño 改良:向量单元面积减少约 13%,矩阵单元减少约 10%,乘法器面积减少约 15% 并把延迟从 2 周期降为 1 周期,加法器面积减少约 15% 且维持 2 周期延迟;上述改良已在 Jalapeño 实体芯片获得验证。
RISC-V 评测使用的两款开源核心名称、总计分执行次数,及 GPT-6.2 Astra 在既有核心优化任务中的具体表现描述为何?
据 OpenAI 技术文章,评测使用 PicoRV32 与 Ibex 两款开源 32 位 RISC-V 核心,共进行 9,881 次计分执行。在每次约 11.2 万 token 的可比预算下,GPT-6.2 Astra 在两款既有核心的优化任务中平均分数最高;未通过模拟验证、或面积超过原核心 16 倍的设计均计为零分。