OpenAI Uses AI to Optimize Chip Design, Completing About a Year’s Work in Five Months and Improving PPA by Up to 14%
English text is being prepared.
OpenAI announced that in under five months, its models improved the PPA of AMD’s flagship GPU IP by up to 14%, equivalent to about a full year of R&D work by human engineers. Some changes have already been incorporated into recent tape-outs and subsequent mass-production designs. The standard-cell areas of Jalapeño’s vector and matrix units were reduced by approximately 13% and 10%, respectively. In benchmarks involving two open-source 32-bit RISC-V cores, GPT‑6.2 Astra achieved the highest average score, and all five models scored higher when designing processor cores from written requirements than when optimizing existing designs.
Why read this
SelectedAI score 83
The materials also present optimization results for mass-produced chips and benchmark results for open-source RISC-V designs, enabling comparisons of the models’ capabilities in incremental optimization and greenfield design.
Topics
Body
智东西11月19日消息,刚刚,OpenAI宣布,其模型在不到五个月内,将AMD旗舰级GPU IP的PPA(芯片设计核心指标)提升高达14%,这是此前人类工程师约一整年的研发工作量。
OpenAI的研究证明,在RISC-V评估任务中,模型能够探索全新处理器架构;并且在Jalapeño、AMD下一代旗舰GPU与CPU这类成熟量产设计的基础上,实现增量优化。
OpenAI首个自研推理芯片Jalapeño基于模型提出的修改方案,将向量单元的标准单元面积缩减约13%,矩阵单元缩减约10%。OpenAI称,这些优化效果已经在Jalapeño的芯片流片调试阶段得到验证。
为衡量其模型在端到端芯片设计任务中的能力,OpenAI针对两款开源处理器设计,对多代模型依次开展评估,结果显示GPT-6.2 Astra、GPT-6 Astra、GPT-6.1 Sol、GPT-5.6 Sol、GPT-5.5全部五款模型基于书面需求从零设计处理器核时的得分,均高于对已有设计做优化的得分。
同时,为让能力迭代建立在可信评估体系之上,OpenAI正与新思科技合作,将前沿智能能力接入工程师当下用于芯片设计与验证的EDA工具链。
2025年初,GPT‑4o就已被用来协助设计OpenAI的自研推理芯片Jalapeño。这个早期版本模型已实现多项可观的PPA优化。
向量单元负责调度与执行并行计算任务,该模块的优化收益来自浮点加法器、乘法器、转换电路、归约逻辑以及特殊函数单元。模型探索了多种逻辑实现方案,同时研究如何将计算任务拆分到不同流水线级,找到了硬件复用、削减中间存储开销的优化空间。
矩阵单元为运算组件,其优化收益来自浮点加法器、乘法器以及低精度点积电路等多处改进。其中一款乘法器经过重新设计,综合后的单元面积缩减约15%,同时将延迟从两个时钟周期降至一个时钟周期;另一款加法器改版同样实现约15%的单元面积优化,且保持两周期延迟不变。对点积逻辑与流水线结构的进一步优化,让该模块获得了更多收益。
OpenAI与AMD合作开展了PPA优化工作,针对旗舰GPU IP,在原本已经深度优化的基准版本之上,最高实现14%的收益提升。
OpenAI称,模型通过重写描述芯片电路的代码挖掘出更多优化空间。这相当于在不到5个月的时间里完成了原本约一整年的研发工作量。AMD已经将部分优化变更应用到近期送厂流片的设计中,还有一部分优化方案纳入量产设计文件,用于后续迭代版本。
研究人员观察到,该模型能够达到资深微架构师的水准,对RTL代码进行推理分析。模型可以重写负责运算、控制操作以及数据搬运的电路。其借助新思科技工具验证每一处改写都不会改变模块原有功能,并评估功耗、性能与面积之间的取舍。
AMD的验证显示,采用OpenAI模型生成的设计,其下一代旗舰CPU的多个核心模块,PPA实现了数个百分点的提升。
OpenAI在Jalapeño以及AMD芯片上取得的结果证明,模型能够对量产级设计做出优化。
为衡量各代模型在芯片设计能力上的迭代进展,OpenAI使用两款开源32位RISC-V核开展测试:PicoRV32是面向FPGA这类可重编程芯片的精简核,OpenTitan在其安全芯片中采用Ibex作为嵌入式处理器。二者都是面向嵌入式、微控制器类负载的完整处理器核。
研究人员向每一代模型提供各处理器核原始硬件描述代码,要求它提升吞吐率。也就是说,某一项改动可能让一条指令所需的时钟周期变少,但单个时钟周期的时长会增加;吞吐率指标可以同时衡量这两种变化带来的综合效果。
其通过仿真核验每版设计的输出结果。如果设计未通过校验,或是占用面积超过原始核的16倍计为0分,对于校验通过的设计,其采用模型未曾见过的测试负载,测量其每时钟周期指令数(IPC)。取这些负载结果的几何平均值,再乘以Yosys估算得到的最高时钟频率,以此得到每秒指令数的估算值。
针对每一款处理器核,他们把相同约束条件下观测到的最优吞吐率定为基准1.0。
在单次调用约11.2万token的同等资源开销下,GPT‑6.2 Astra在两款处理器核上的平均分均为最高,GPT‑6.1 Sol在两款核上的得分都高于GPT‑5.6 Sol。
第二项任务中,研究人员向模型提供书面需求以及开源代码里的模板,这些模板定义了处理器核与系统其他部分的连接方式,由模型自主选择数据在核内的流转路径,以及如何将工作拆分为多级流水线。
针对两款处理器核,正确性校验、存储与缓存配置、吞吐率目标均和前面的RTL优化任务保持一致。
在单次约11.2万token的开销下,全部五款模型基于书面需求从零设计处理器核时的得分,均高于对已有设计做优化的得分,该结论在PicoRV32与Ibex两款核上均成立。
GPT‑6.2 Astra在Ibex上的提升幅度大于PicoRV32。整套评估一共完成9881次有效打分跑测,覆盖两项任务、两款处理器核以及全部token资源配置。
基于书面需求从头设计,模型可以选择省去原始核中自带的一些功能,例如性能计数器和扩展指令。这类特性对本次测试负载下的吞吐率提升贡献有限,这也可以部分解释该任务得分更高的原因。
OpenAI称,如果强制要求保留这些功能、设置更严苛的电路面积约束,并在物理综合后做时序检查,这套测试会更贴近真实量产芯片设计场景。
03.
从OpenAI的研究成果可以看出,在芯片设计领域,AI已经具备在成熟量产设计上挖掘增量收益、基于规格自主探索微架构空间的能力。
这或许会催生成未来芯片竞争的新战场,芯片厂商不仅要关注芯片制程、封装和架构本身,还需要关注如何用AI提升效率,从而更快完成PPA收敛、压缩研发周期。
来源:OpenAI
本文来自微信公众号“智东西”,作者:程茜,编辑:李水青,36氪经授权发布。
AI Trends