OpenAI

18 ноември 2026 г.

ПроучванеПубликация

Напредък в проектирането на чипове с моделите на OpenAI

Моделите на OpenAI бързо подобряват чиповете, на които работи AI. През август⁠ споделихме как инженерите на OpenAI използват нашите авангардни модели, за да ускорят разработването на Jalapeño — първия ни специализиран чип за изпълнение на AI модели. Тук разглеждаме по-подробно експертните подобрения в дизайна, довели до по-добрите резултати на Jalapeño, и как прилагаме същия подход съвместно с AMD, за да постигнем значителни подобрения и при хардуер на други производители.

За да измерим способностите на моделите ни да изпълняват цялостни задачи по проектиране на чипове, тествахме последователни поколения върху два процесорни проекта с отворен код и получихме интересни резултати. А за да развиваме тези способности въз основа на надеждни средства за оценяване, работим със Synopsys по интегрирането на авангардния AI с инструментите за автоматизация на електронното проектиране (EDA), които инженерите вече използват за проектиране и проверка на чипове.

Подобряване на изчислителните блокове на Jalapeño

В началото на 2025 г. започнахме да използваме GPT‑4o в помощ на проектирането на Jalapeño. Дори този ранен модел откри начини за съществени подобрения в консумацията на енергия, производителността и площта (PPA), например:

Във векторния блок, който управлява и изпълнява паралелни изчислителни задачи, икономиите дойдоха от суматорите и умножителите с плаваща запетая, функциите за преобразуване, логиката за редукция и модула за специални функции. Моделите изследваха както алтернативни реализации на логиката, така и начини за разпределяне на изчисленията между конвейерните стъпала, като откриха възможности за споделяне на хардуерни ресурси и намаляване на междинното съхранение.

В матричния блок, който е аритметичен компонент, подобренията се натрупаха в суматорите и умножителите с плаваща запетая и схемите за скаларно произведение с ниска точност. Една преработка на умножител намали площта на клетките при синтез с около 15%, като същевременно съкрати закъснението от два тактови цикъла на един. Отделна преработка на суматор намали площта на клетките с около 15%, като запази закъснението от два цикъла. Допълнителни подобрения в логиката за скаларно произведение и организацията на конвейера донесоха още икономии в целия блок.

За цялостното проектиране на Jalapeño екипът оценява, че предложените от моделите промени са намалили площта на стандартните клетки с около 13% във векторния блок и с 10% в матричния блок. Тези оптимизации бяха потвърдени върху реален чип при първоначалното пускане и тестване на Jalapeño⁠.

Сътрудничеството ни с AMD

В партньорство с AMD работим по подобрения на PPA и отчетохме до 14% подобрение спрямо силно оптимизираните базови варианти на водещия им GPU IP дизайн. Нашият модел откри допълнителни възможности за подобрение, като пренаписа кода, описващ схемите на чипа (SystemVerilog RTL). Това е приблизително година напредък, постигнат за по-малко от 5 месеца — безпрецедентни резултати в авангардното проектиране на чипове. AMD вече включи част от тези промени в скорошен проект, изпратен за производство, а други добави към проектните си файлове за използване в бъдещи версии.

Наблюдавахме как моделът разсъждава върху RTL на нивото на експерт по микроархитектура. Моделът може да пренаписва схеми, които извършват изчисления, управляват операции или прехвърлят данни. Той използва инструменти на Synopsys, за да провери дали всяко пренаписване запазва поведението на блока и да оцени компромисите между консумация на енергия, производителност и площ.

AMD също потвърди подобрения на PPA в рамките на едноцифрен процент в ключови блокове на предстоящия си водещ CPU от следващо поколение, използвайки проекти, написани от нашия модел. Занапред очакваме допълнителни подобрения на PPA при GPU и CPU спрямо най-оптимизирания базов вариант.

Оптимизиране на RISC-V ядра

Резултатите ни при Jalapeño и чиповете на AMD показват, че моделите могат да подобряват проекти за реално производство. За да измерим напредъка в способностите за проектиране на чипове между поколенията модели, тествахме всеки модел върху две 32-битови RISC-V ядра с отворен код. PicoRV32 е компактно ядро, предназначено за препрограмируеми чипове, наречени FPGA. OpenTitan използва Ibex като вграден процесор в своя чип за сигурност. Всяко от тях е пълноценно процесорно ядро за задачи във вградени системи от микроконтролерен клас.

Дадохме на всеки модел оригиналното хардуерно описание на всяко ядро и го помолихме да увеличи производителността (броя инструкции, които ядрото може да изпълни за секунда). Например дадена промяна може да позволи на ядрото да завърши инструкция за по-малко тактови цикли, но да удължи всеки цикъл. Измерването на производителността отчита и двата ефекта.

Проверихме изходните резултати на всеки проект чрез симулация. Проектите получаваха нулева оценка, ако не преминат някоя проверка или използват над 16 пъти площта на оригиналното ядро. За проектите, преминали проверките, измерихме броя инструкции за тактов цикъл при задачи, скрити от моделите. Изчислихме средната геометрична стойност за тези задачи и я умножихме по максималната тактова честота, оценена с Yosys. Така получихме оценка на броя инструкции за секунда. За всяко ядро дадохме оценка 1,0 на най-високата производителност, която наблюдавахме при същите ограничения. Графиките показват средната оценка от всички изпълнения, включително тези с нулева оценка.

При съпоставим бюджет от около 112 000 токена на изпълнение GPT‑6.2 Astra постигна най-висока средна оценка и за двете ядра. GPT‑6.1 Sol също изпревари GPT‑5.6 Sol и при двете.

При съществуващото ядро PicoRV32 GPT‑6.2 Astra има най-висока средна оценка при по-големите съпоставими бюджети. При около 112 000 токена оценката му е приблизително двойно по-висока от тази на GPT‑6 Astra.

При съществуващото ядро Ibex средната оценка на GPT‑6.2 Astra продължава да расте с увеличаването на използвания бюджет. Резултатите на GPT‑6 Astra и GPT‑6.1 Sol са по-близки помежду си.

Проектиране на RISC-V ядро по спецификация

За втората задача дадохме на всеки модел писмени изисквания и шаблони от отворения код, показващи как ядрото се свързва с останалата част от системата. Моделът избираше как данните да преминават през ядрото и как да раздели работата на етапи. За всяко ядро запазихме същите проверки за коректност, настройки на паметта и кеша и цели за производителност като в задачата за оптимизация на RTL.

При около 112 000 токена на изпълнение и петте модела получиха по-високи оценки, когато проектираха ядро по писмени изисквания, отколкото когато се опитваха да подобрят съществуващия проект. Това важеше както за PicoRV32, така и за Ibex. GPT‑6.2 Astra постигна по-голямо подобрение при Ibex, отколкото при PicoRV32. Пълната оценка включваше 9881 оценени изпълнения, обхващащи двете задачи, двете ядра и всички бюджети за токени.

При проектиране по спецификация на PicoRV32 GPT‑6.2 Astra надхвърля средна оценка 0,7 при около 112 000 токена и постига по-високи оценки при следващите два изследвани бюджета.

При проектиране на Ibex по спецификация GPT‑6.2 Astra постига средна оценка около 0,75 при приблизително 112 000 токена. Кривата му остава над останалите при по-големите бюджети, използвани от всички модели.

Когато започват от писмени изисквания, моделите имат възможност да пропуснат функции от оригиналните ядра, като броячи за производителност и допълнителни инструкции. Тези функции може да допринасят малко за производителността при тестовите задачи, което би могло да обясни част от предимството в оценките. Ако тези функции са задължителни, ограничението за площта на схемата е по-строго и времевите характеристики се проверяват след физическия синтез, тестът би отразявал по-добре проектирането на чипове за реално производство.

Какво следва

Показахме, че нашите модели могат да изследват нови процесорни архитектури в тестове с RISC-V, и постигнахме допълнителни подобрения в сложни проекти за реално производство като Jalapeño и водещите GPU и CPU от следващо поколение на AMD. За да основаваме разработването на модели на надеждни средства за оценяване и да обхванем по-широк кръг проектни предизвикателства, си партнираме със Synopsys в обучението на нов модел — GPT‑Synopsys⁠(отваря се в нов прозорец). Обучаваме го да използва инструментите на Synopsys за автоматизация на електронното проектиране (EDA) така, както го правят експертите в проектирането на чипове.