تُحسّن نماذج OpenAI بوتيرة سريعة الرقائق التي تشغّل AI. في أغسطس، عرضنا كيف استخدم مهندسو OpenAI نماذجنا الرائدة لتسريع تطوير Jalapeño، أول رقاقة استدلال نصممها خصيصًا لنا. نتناول هنا بمزيد من التفصيل التحسينات التصميمية بمستوى الخبراء التي حققت مكاسب Jalapeño، وكيف نطبّق النهج نفسه بالتعاون مع AMD لتحقيق مكاسب كبيرة في عتاد جهات أخرى.
لقياس قدرة نماذجنا على إنجاز مهام تصميم الرقائق من البداية إلى النهاية، قيّمنا أجيالًا متعاقبة منها على تصميمَي معالجين مفتوحَي المصدر، وتوصلنا إلى نتائج لافتة. ولإرساء تطوير القدرات على أدوات تقييم موثوقة، نعمل مع Synopsys لدمج قدرات AI الرائدة مع أدوات أتمتة التصميم الإلكتروني (EDA) التي يستخدمها المهندسون بالفعل لتصميم الرقائق والتحقق منها.
بدأنا استخدام GPT‑4o للمساعدة في تصميم Jalapeño في أوائل عام 2025. وحتى ذلك النموذج المبكر وجد سبلًا لتحقيق تحسينات ملموسة في الطاقة والأداء والمساحة (PPA)، منها:
في وحدة المتجهات، التي تدير مهام الحوسبة المتوازية وتنفذها، جاءت الوفورات من دوائر الجمع والضرب بالفاصلة العائمة، ودوال التحويل، ومنطق الاختزال، ووحدة الدوال الخاصة. استكشفت النماذج بدائل لتنفيذ المنطق وطرقًا لتوزيع العمليات الحسابية على مراحل خط المعالجة، ووجدت فرصًا لمشاركة موارد العتاد وتقليل التخزين الوسيط.
في وحدة المصفوفات، وهي مكوّن حسابي، تراكمت التحسينات في دوائر الجمع والضرب بالفاصلة العائمة ودوائر الضرب النقطي منخفضة الدقة. أدت إعادة تصميم إحدى دوائر الضرب إلى تقليل مساحة الخلايا بنحو 15% عند التوليف المنطقي، مع خفض زمن الاستجابة من دورتَي ساعة إلى دورة واحدة. وأدت إعادة تصميم مستقلة لدائرة جمع إلى تقليل مساحة الخلايا بنحو 15% مع الحفاظ على زمن استجابة يبلغ دورتَي ساعة. وأسهمت تحسينات أخرى في منطق الضرب النقطي وتنظيم خط المعالجة في تحقيق وفورات إضافية على مستوى الوحدة.
وفي مجمل أعمال تصميم Jalapeño، يقدّر الفريق أن التغييرات التي اقترحتها النماذج قلّصت مساحة الخلايا القياسية بنحو 13% في وحدة المتجهات و10% في وحدة المصفوفات. ثبت نجاح هذه التحسينات على السيليكون الفعلي خلال مرحلة التشغيل الأولي لرقاقة Jalapeño.
تعاونّا مع AMD لتحسين الطاقة والأداء والمساحة، وحققنا تحسنًا يصل إلى 14% مقارنة بتصاميم مرجعية خضعت لتحسين مكثف، وذلك في الملكية الفكرية التصميمية لمعالج الرسوميات الأبرز لدى الشركة. حدّد نموذجنا تحسينات إضافية بإعادة كتابة الشيفرة التي تصف دوائر الرقاقة بلغة SystemVerilog وعلى مستوى نقل السجلات (RTL). يعادل ذلك تقدّمًا يستغرق نحو عام، تحقق في أقل من 5 أشهر؛ وهي نتائج غير مسبوقة عند حدود ما بلغه تصميم الرقائق. أدرجت AMD بالفعل بعض هذه التغييرات في تصميم حديث أرسلته للتصنيع، وأضافت تغييرات أخرى إلى ملفات تصاميم الإنتاج لاستخدامها في إصدارات مقبلة.
لاحظنا أن النموذج يحلّل RTL ويستدل بشأنه بمستوى خبير في المعمارية الدقيقة. يستطيع النموذج إعادة كتابة دوائر تنفّذ حسابات أو تتحكّم في العمليات أو تنقل البيانات. واستخدم أدوات Synopsys للتحقق من أن كل إعادة كتابة تحافظ على سلوك الوحدة، ولتقييم المفاضلات بين الطاقة والأداء والمساحة.
تحققت AMD أيضًا من مكاسب في الطاقة والأداء والمساحة بنسب مئوية أحادية الرقم عبر وحدات رئيسية في معالجها المركزي الأبرز من الجيل القادم، باستخدام تصاميم كتبها نموذجنا. نتوقع مستقبلًا تحقيق تحسينات إضافية في الطاقة والأداء والمساحة لمعالجات الرسوميات والمعالجات المركزية، مقارنة بأكثر التصاميم المرجعية تحسينًا.
تُظهر نتائجنا على Jalapeño ورقائق AMD أن النماذج قادرة على تحسين تصاميم الإنتاج. لقياس تطور قدرات تصميم الرقائق من جيل إلى آخر من النماذج، اختبرنا كل نموذج على نواتَين مفتوحتَي المصدر بمعمارية RISC-V ذات 32 بت. PicoRV32 نواة مدمجة الحجم صُممت لرقائق قابلة لإعادة البرمجة تُعرف بمصفوفات البوابات القابلة للبرمجة ميدانيًا (FPGA). ويستخدم مشروع OpenTitan نواة Ibex معالجًا مضمّنًا في رقاقته الأمنية. كلتاهما نواة معالج مكتملة لأحمال عمل الأنظمة المضمّنة من فئة المتحكّمات الدقيقة.
زوّدنا كل نموذج بالوصف الأصلي لعتاد كل نواة، وطلبنا منه زيادة الإنتاجية، أي عدد التعليمات التي تستطيع النواة تنفيذها في الثانية. فمثلًا، قد يتيح تغيير ما للنواة إكمال تعليمة في عدد أقل من دورات الساعة، لكنه يطيل مدة كل دورة. ويعكس قياس الإنتاجية كلا الأثرين.
تحققنا من مخرجات كل تصميم باستخدام المحاكاة. حصلت التصاميم على درجة صفر إذا أخفقت في أحد اختبارات التحقق أو تجاوزت مساحتها 16 ضعف مساحة النواة الأصلية. أما التصاميم التي اجتازت الاختبارات، فقسنا عدد تعليماتها في كل دورة ساعة على أحمال عمل لم تُكشف للنماذج. حسبنا المتوسط الهندسي عبر أحمال العمل تلك، وضربناه في أقصى تردد ساعة مقدّر باستخدام Yosys. وبذلك حصلنا على تقدير لعدد التعليمات في الثانية. ولكل نواة، منحنا أفضل إنتاجية رصدناها في ظل القيود نفسها درجة 1.0. تعرض الرسوم البيانية متوسط الدرجات عبر المحاولات، بما فيها المحاولات التي حصلت على صفر.
بميزانية متقاربة تبلغ نحو 112,000 رمز لكل محاولة، حقق GPT‑6.2 Astra أعلى متوسط درجات على كلتا النواتَين. كما تفوّق GPT‑6.1 Sol على GPT‑5.6 Sol في كلتيهما.
على نواة PicoRV32 الحالية، يحقق GPT‑6.2 Astra أعلى متوسط درجات عند الميزانيات الأكبر القابلة للمقارنة. وعند نحو 112,000 رمز، تبلغ درجته قرابة ضعف درجة GPT‑6 Astra.
على نواة Ibex الحالية، يواصل متوسط درجات GPT‑6.2 Astra الارتفاع مع بلوغه ميزانيات أكبر. ويتقارب أداء GPT‑6 Astra وGPT‑6.1 Sol أكثر.
في المهمة الثانية، زوّدنا كل نموذج بمتطلبات مكتوبة وقوالب من الشيفرة مفتوحة المصدر توضّح كيفية اتصال النواة ببقية النظام. اختار النموذج كيفية انتقال البيانات عبر النواة وكيفية تقسيم العمل إلى مراحل. ولكل نواة، أبقينا اختبارات التحقق من الصحة وإعدادات الذاكرة وذاكرة التخزين المؤقت وأهداف الإنتاجية كما كانت في مهمة تحسين RTL.
عند نحو 112,000 رمز لكل محاولة، حققت النماذج الخمسة جميعها درجات أعلى عند تصميم نواة انطلاقًا من متطلبات مكتوبة مقارنة بمحاولة تحسين التصميم الحالي. وانطبق ذلك على كل من PicoRV32 وIbex. وحقق GPT‑6.2 Astra تحسنًا أكبر على Ibex منه على PicoRV32. شمل التقييم الكامل 9,881 محاولة مُنحت درجات، موزعة على المهمتَين والنواتَين وجميع ميزانيات الرموز.
عند الانطلاق من مواصفات PicoRV32، يتجاوز متوسط درجات GPT‑6.2 Astra مقدار 0.7 بميزانية تقارب 112,000 رمز، ويرتفع أكثر عند مستويَي الميزانية التاليَين اللذين جرى رصدهما.
على Ibex، يحقق GPT‑6.2 Astra متوسط درجات يبلغ نحو 0.75 بميزانية تقارب 112,000 رمز عند التصميم انطلاقًا من المواصفات. ويظل منحناه أعلى من بقية النماذج عند الميزانيات الأكبر المشتركة بينها.
يتيح الانطلاق من متطلبات مكتوبة للنماذج مجالًا لحذف ميزات موجودة في الأنوية الأصلية، مثل عدّادات الأداء والتعليمات الإضافية. قد يكون إسهام هذه الميزات في تحسين الإنتاجية على أحمال عمل الاختبار ضئيلًا، وهو ما قد يفسّر جانبًا من التفوق في الدرجات. ومن شأن اشتراط هذه الميزات، وفرض حد أكثر صرامة على مساحة الدوائر، والتحقق من التوقيت بعد التوليف الفيزيائي، أن يجعل الاختبار أقرب إلى واقع تصميم الرقائق للإنتاج.
أثبتنا أن نماذجنا تستطيع استكشاف معماريات جديدة للمعالجات في تقييمات RISC-V، وأسهمنا في تحقيق تحسينات جديدة إضافية على تصاميم إنتاج متطورة، مثل Jalapeño وأبرز معالجات الرسوميات والمعالجات المركزية من الجيل القادم لدى AMD. لإرساء تطوير النماذج على أدوات تقييم موثوقة وتوسيع نطاق تحديات التصميم التي نعالجها، نتعاون مع Synopsys لتدريب نموذج جديد، GPT‑Synopsys(يفتح في نافذة جديدة)، على استخدام أدوات Synopsys لأتمتة التصميم الإلكتروني (EDA) بالطريقة التي يستخدمها خبراء تصميم الرقائق.


