OpenAI报告模型优化AMD旗舰芯片设计,PPA最高提升14%
OpenAI Reports Model-Driven Gains in AMD Flagship Chip Designs
OpenAI报告称,其模型改写SystemVerilog RTL后,在AMD旗舰GPU知识产权上相对高度优化基线实现最高14%的PPA提升,部分电路改写已进入送厂制造的设计。AMD还验证了模型编写方案在下一代旗舰CPU关键模块上的个位数百分比PPA增益;OpenAI同时以9,881次运行评测多代模型,并与Synopsys合作训练GPT-Synopsys连接模型设计与EDA验证流程。
推荐理由
AI 评分 75
材料结合生产芯片改写、开源RTL评测及验证约束,呈现模型辅助芯片设计的收益与工程边界。
主题
正文 · AI 翻译
OpenAI于2026年11月18日报告称,其模型在AMD旗舰GPU知识产权上,相较于经过高度优化的基线,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厂制造的设计。
这些增益来自对SystemVerilog RTL的改写,这种代码用于描述芯片电路。模型使用Synopsys工具验证每次改写是否保留了模块的行为,并评估PPA方面的权衡。AMD还在面向未来版本的生产设计文件中加入了其他改动。OpenAI表示,这项GPU工作用不到五个月取得了约相当于一年进展的成果;AMD也验证了,在即将推出的下一代旗舰CPU的关键模块中,采用模型编写的设计实现了个位数百分比的PPA增益。
Jalapeño的电路级增益
2025年初,OpenAI开始使用GPT-4o协助设计其首款定制推理芯片Jalapeño。团队估计,模型提出的改动使负责管理和执行并行计算任务的warp引擎的标准单元面积缩小约13%,并使作为算术组件的矩阵单元缩小10%。模型探索了替代性逻辑实现、将计算划分到不同流水线阶段的方法、共享硬件的机会,以及减少中间存储的方案。
OpenAI公布的详细示例包括一项矩阵单元乘法器的重新设计:在综合阶段使用的单元面积减少约15%,同时将延迟从两个时钟周期降至一个。另一项加法器重新设计在保持两个周期延迟的同时,将单元面积缩小约15%。对点积逻辑和流水线组织的进一步改进,为整个模块带来了额外节省;这些优化也在Jalapeño的芯片启动调试过程中通过硅片得到了验证。
OpenAI于2026年8月25日公布的硅片结果显示,AI辅助帮助Jalapeño在九个月内完成了从初始设计到流片的过程。
为衡量芯片设计能力在各代模型间的变化,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是一款为FPGA这种可重新编程芯片设计的紧凑型内核;OpenTitan则使用Ibex作为其安全芯片中的嵌入式处理器。评测既涵盖对现有内核RTL的优化,也涵盖根据书面需求和接口模板创建内核,横跨各项任务、内核和token预算,共进行了9,881次计分运行。
在RTL优化中,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量。如果设计未通过仿真检查,或使用的面积超过原始内核的16倍,则得分为零。对于通过检查的设计,OpenAI计算模型未知的工作负载中每时钟周期指令数的几何平均值,再乘以Yosys估算的最高时钟频率。在相同约束条件下,每个内核观测到的最佳吞吐量被赋予1.0分,平均分的计算也纳入了零分运行。
在每次运行约112,000个token的可比预算下,OpenAI的结果显示,GPT-6.2 Astra在两个内核的RTL优化中均取得最高平均分;GPT-6.1 Sol在两个内核上的得分也均高于GPT-5.6 Sol。在预算相近的从规格到RTL设计任务中,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。在两个内核上,五款模型根据书面需求进行设计时的得分都高于优化现有RTL时的得分。
基于规格的设计得分更高,但需要附带一项说明。OpenAI表示,从书面需求出发的模型可能会省略原始内核具备、但对提高测试工作负载吞吐量作用不大的功能,例如性能计数器和额外指令。这些省略可能在一定程度上解释其得分优势。如果要求保留这些功能、设定更严格的电路面积上限,并在物理综合后检查时序,测试将更能代表实际生产中的芯片设计。
为将模型开发与成熟的验证系统相衔接,OpenAI正与Synopsys合作训练GPT-Synopsys,使其能像专业芯片设计师一样使用电子设计自动化(EDA)工具。这项工作建立在双方于2026年9月30日宣布的一项多年协议之上,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委派给智能体,由智能体运行工具、解读结果、实施改动并持续迭代,直至获得经验证的结果,再交由工程师审核。
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、审计和权限控制。此类保护措施和工程师审核要求,回应了处理专有生产设计时的现实需求。这项研究的核心挑战,是将模型驱动的设计增益与可信验证相结合;GPT-Synopsys旨在为电路优化及更广泛的EDA工作流程提供这种连接。
AI 热点