Az OpenAI arról számolt be, hogy mesterségesintelligencia-modelljei hozzájárultak első egyedi következtetési chipje, a Jalapeño tervezéséhez, és az Advanced Micro Devices (AMD) processzortervezési munkájában is javításokat javasoltak. A vállalat emellett nyílt forráskódú processzormagokon mérte a modellek fejlődését, valamint együttműködést jelentett be a Synopsys céggel egy chiptervező eszközöket használó modell fejlesztésére.
Kisebb áramkörök a Jalapeño chipben
Az OpenAI mérnökei 2025 elején kezdték használni a GPT-4o modellt a Jalapeño tervezéséhez. A vállalat szerint a modell már ekkor is érdemi javaslatokat adott a fogyasztás, a teljesítmény és a terület együttes optimalizálására, amelyet az iparágban PPA néven emlegetnek.
A párhuzamos számításokat kezelő vektoregységben a modellek többek között a lebegőpontos összeadókat és szorzókat, az átalakító és redukciós logikát, valamint a speciális függvényeket végrehajtó egységet vizsgálták. Alternatív logikai megoldásokat és a számítások futószalag-fokozatok közötti felosztását is elemezték, lehetőséget találva a hardverelemek megosztására és az átmeneti tárolás csökkentésére.
A mátrixegységben egy áttervezett szorzó a szintézis során mintegy 15%-kal kisebb cellaterületet igényelt, miközben a késleltetése két órajelciklusról egyre csökkent. Egy másik, összeadót érintő módosítás szintén körülbelül 15%-kal csökkentette a cellaterületet, a kétciklusos késleltetés megtartásával. A kis pontosságú skalárszorzatok logikájának és a futószalag szervezésének módosításai további megtakarítást hoztak.
Az OpenAI becslése szerint a modellek által javasolt változtatások összességében mintegy 13%-kal csökkentették a standardcellák területét a vektoregységben és 10%-kal a mátrixegységben. A vállalat közlése szerint ezeket az optimalizálásokat a Jalapeño szilíciumlapkáinak első üzembe helyezése során igazolták.
Együttműködés az AMD-vel
Az OpenAI az AMD-vel is dolgozott PPA-javításokon. Közlése szerint a modell a zászlóshajó GPU tervezési elemeinél az erősen optimalizált kiinduló változatokhoz képest akár 14%-os javulást ért el. Ehhez a chip áramköreit leíró SystemVerilog RTL-kódot írta át. Az OpenAI ezt hozzávetőleg egy évnyi fejlődésnek feleltette meg, amelyet kevesebb mint öt hónap alatt értek el.
Az AMD a változtatások egy részét már beépítette egy nemrég gyártásba küldött tervbe, másokat pedig felvett a későbbi változatokhoz használt éles tervezési állományokba. Az OpenAI szerint a modell számításokat és vezérlési műveleteket végző, valamint adatokat mozgató áramköröket is át tudott írni. A Synopsys eszközeivel ellenőrizte, hogy a módosítások megőrzik-e az adott blokk működését, és értékelte a fogyasztás, a teljesítmény és a terület közötti kompromisszumokat.
Az AMD a modell által írt terveknél egyszámjegyű százalékos PPA-javulást is igazolt a készülő, következő generációs zászlóshajó CPU fontos blokkjaiban.
Két nyílt processzormagon végzett tesztek
A modellgenerációk chiptervezési képességeinek összehasonlításához az OpenAI két nyílt forráskódú, 32 bites RISC-V processzormagot használt. A PicoRV32 egy kompakt, újraprogramozható FPGA-chipekhez tervezett mag, míg az OpenTitan az Ibex magot használja biztonsági chipjének beágyazott processzoraként. Mindkettő teljes processzormag beágyazott, mikrokontroller-jellegű feladatokra.
Az első feladatban a modellek megkapták a magok eredeti hardverleírását, és az utasítások másodpercenkénti számában mért áteresztőképesség növelésére kellett törekedniük. Ez a mérőszám figyelembe veszi, hogy egy változtatás csökkentheti egy utasítás ciklusigényét, miközben hosszabbá teheti az egyes órajelciklusokat.
A terveket szimulációval ellenőrizték. A hibás, illetve az eredeti mag területének több mint 16-szorosát használó tervek nulla pontot kaptak. A megfelelt terveknél a modellek elől elrejtett feladatokon mérték az órajelciklusonként végrehajtott utasításokat; ezek geometriai átlagát megszorozták a Yosys segítségével becsült maximális órajellel. Mindkét magnál az azonos feltételek mellett megfigyelt legjobb áteresztőképesség 1,0 pontot ért, az átlagok pedig a nulla pontos futásokat is tartalmazták.
Futásonként nagyjából 112 000 tokenes, összehasonlítható keret mellett a GPT-6.2 Astra érte el a legmagasabb átlagpontszámot mindkét magon; a GPT-6.1 Sol szintén felülmúlta a GPT-5.6 Sol eredményét. A meglévő PicoRV32 optimalizálásakor a GPT-6.2 Astra pontszáma e keretnél körülbelül kétszerese volt a GPT-6 Astra pontszámának. Az Ibex esetében a GPT-6.2 Astra átlaga a magasabb kereteknél tovább nőtt, míg a GPT-6 Astra és a GPT-6.1 Sol eredményei közelebb voltak egymáshoz.
A második feladatban a modellek írásos követelményeket és a mag rendszerhez való csatlakozását bemutató nyílt forráskódú sablonokat kaptak. Maguk döntöttek az adatok magon belüli útjáról és a munka fokozatokra bontásáról. A helyességi ellenőrzések, a memória- és gyorsítótár-beállítások, valamint az áteresztőképességi célok megegyeztek az első feladatéival.
Körülbelül 112 000 tokenes keretnél mind az öt vizsgált modell magasabb pontszámot ért el, amikor követelmények alapján tervezett magot, mint amikor a meglévő tervet javította; ez mindkét magra igaz volt. A GPT-6.2 Astra előnye az Ibex esetében nagyobb volt, mint a PicoRV32-nél. A teljes értékelés 9881 pontozott futást foglalt magában a két feladaton, a két magon és az összes tokenkereten át.
A PicoRV32 specifikációjából kiindulva a GPT-6.2 Astra átlaga a 112 000 tokenes keret közelében meghaladta a 0,7-et, és a következő két megfigyelt keretnél még magasabb volt. Az Ibexnél ugyanezen keret közelében körülbelül 0,75-ös átlagot ért el, a nagyobb, közösen vizsgált kereteknél pedig a többi modell előtt maradt.
Az OpenAI ugyanakkor jelezte: az írásos követelményekből induló modellek elhagyhatták az eredeti magok egyes funkcióit, például a teljesítményszámlálókat és további utasításokat. Ezek a tesztfeladatokon kevéssé javíthatták az áteresztőképességet, ami részben magyarázhatja a magasabb pontszámokat. A vállalat szerint a teszt közelebb állna az éles chiptervezéshez, ha ezeket a funkciókat is megkövetelnék, szigorúbb területi korlátot szabnának, és a fizikai szintézis után is ellenőriznék az időzítést.
Új modell a Synopsys eszközeihez
Az OpenAI és a Synopsys egy GPT-Synopsys nevű új modell betanításán is együttműködik. A cél, hogy a modell a szakértő chiptervezőkhöz hasonlóan használja a Synopsys elektronikus tervezésautomatizálási eszközeit. Az OpenAI szerint az együttműködés megbízható értékelőeszközökre támasztja a modellfejlesztést, és bővíti a vizsgálható tervezési feladatok körét.



