OpenAI

18. listopadu 2026

VýzkumPublikace

Pokroky v návrhu čipů s modely OpenAI

Modely OpenAI rychle zdokonalují čipy, na kterých běží AI. V srpnu⁠ jsme ukázali, jak inženýři OpenAI využili naše průkopnické modely k urychlení vývoje našeho prvního vlastního čipu pro inferenci, Jalapeño. Zde se podrobněji podíváme na odborná vylepšení návrhu, která stojí za pokroky čipu Jalapeño, a na to, jak stejný přístup využíváme ve spolupráci s AMD k výraznému zlepšení hardwaru třetích stran.

Abychom změřili schopnosti našich modelů při kompletním návrhu čipů, vyhodnotili jsme jejich po sobě jdoucí generace na dvou návrzích procesorů s otevřeným zdrojovým kódem. Výsledky přinesly zajímavá zjištění. Aby se rozvoj schopností opíral o důvěryhodné hodnoticí nástroje, spolupracujeme se společností Synopsys na propojení průkopnické AI s nástroji pro automatizaci návrhu elektroniky (EDA), které inženýři již používají k navrhování a ověřování čipů.

Vylepšování výpočetních bloků čipu Jalapeño

GPT‑4o jsme začali využívat při navrhování čipu Jalapeño začátkem roku 2025. Už tento raný model našel způsoby, jak významně zlepšit spotřebu, výkon a plochu (PPA), například:

Ve vektorové jednotce, která řídí a provádí paralelní výpočetní úlohy, přinesly úspory sčítačky a násobičky pro čísla s plovoucí řádovou čárkou, převodní funkce, redukční logika a jednotka speciálních funkcí. Modely zkoumaly alternativní implementace logiky i způsoby rozdělení výpočtů mezi stupně zřetězeného zpracování. Našly přitom možnosti, jak sdílet hardware a omezit ukládání mezivýsledků.

V maticové jednotce, která provádí aritmetické operace, se sčítala vylepšení sčítaček a násobiček pro čísla s plovoucí řádovou čárkou i obvodů pro skalární součin s nízkou přesností. Jeden přepracovaný návrh násobičky při syntéze zabíral přibližně o 15 % menší plochu buněk a zároveň snížil latenci ze dvou taktů na jeden. Samostatný přepracovaný návrh sčítačky snížil plochu buněk přibližně o 15 % při zachování dvoutaktové latence. Další vylepšení logiky skalárního součinu a organizace zřetězeného zpracování přinesla další úspory v celém bloku.

Tým odhaduje, že v rámci celého návrhu čipu Jalapeño změny navržené modely snížily plochu standardních buněk přibližně o 13 % ve vektorové jednotce a o 10 % v maticové jednotce. Tyto optimalizace byly ověřeny na skutečném čipu během prvotního zprovozňování čipu Jalapeño⁠.

Naše spolupráce s AMD

Ve spolupráci s AMD jsme se zaměřili na zlepšení PPA a u IP bloků vlajkového GPU zaznamenali až 14% zlepšení oproti již vysoce optimalizovaným výchozím návrhům. Náš model našel další možnosti zlepšení přepsáním kódu, který popisuje obvody čipu (RTL v jazyce SystemVerilog). To představuje zhruba rok pokroku dosažený za méně než 5 měsíců – bezprecedentní výsledky na špičce vývoje čipů. AMD již některé z těchto změn zahrnula do nedávného návrhu předaného do výroby a další zapracovala do svých produkčních návrhových souborů pro použití v budoucích verzích.

Pozorovali jsme, že model dokáže uvažovat o RTL na úrovni zkušeného odborníka na mikroarchitekturu. Model umí přepisovat obvody, které provádějí výpočty, řídí operace nebo přenášejí data. Pomocí nástrojů Synopsys ověřoval, že každý přepis zachovává chování bloku, a vyhodnocoval kompromisy mezi spotřebou, výkonem a plochou.

AMD také u klíčových bloků svého připravovaného vlajkového CPU nové generace ověřila zlepšení PPA v řádu jednotek procent díky návrhům vytvořeným naším modelem. Do budoucna očekáváme další zlepšení PPA u GPU i CPU oproti nejlépe optimalizovaným výchozím návrhům.

Optimalizace jader RISC-V

Naše výsledky s čipem Jalapeño a čipy AMD ukazují, že modely dokážou zlepšovat produkční návrhy. Abychom změřili, jak se schopnosti navrhovat čipy posouvají mezi generacemi modelů, otestovali jsme každý model na dvou 32bitových jádrech RISC-V s otevřeným zdrojovým kódem. PicoRV32 je kompaktní jádro určené pro přeprogramovatelné čipy zvané FPGA. OpenTitan používá Ibex jako vestavěný procesor ve svém bezpečnostním čipu. V obou případech jde o kompletní procesorové jádro pro úlohy vestavěných systémů na úrovni mikrokontrolérů.

Každému modelu jsme poskytli původní hardwarový popis obou jader a požádali ho o zvýšení výkonu (počtu instrukcí, které jádro dokáže vykonat za sekundu). Změna například může jádru umožnit dokončit instrukci za méně taktů, ale zároveň prodloužit dobu trvání každého taktu. Měření výkonu zachycuje oba tyto vlivy.

Výstupy každého návrhu jsme ověřili simulací. Návrhy získaly nulové skóre, pokud neprošly některou kontrolou nebo zabíraly více než 16násobek plochy původního jádra. U návrhů, které prošly, jsme měřili počet instrukcí za takt na úlohách, ke kterým modely neměly přístup. Z výsledků těchto úloh jsme vypočítali geometrický průměr a vynásobili ho maximální taktovací frekvencí odhadnutou nástrojem Yosys. Tak jsme získali odhad počtu instrukcí za sekundu. U každého jádra jsme nejvyššímu výkonu naměřenému za stejných omezení přiřadili skóre 1,0. Grafy ukazují průměrné skóre ze všech běhů, včetně těch s nulovým skóre.

Při srovnatelném rozpočtu přibližně 112 000 tokenů na běh dosáhl GPT‑6.2 Astra nejvyššího průměrného skóre na obou jádrech. GPT‑6.1 Sol také na obou jádrech překonal GPT‑5.6 Sol.

U stávajícího jádra PicoRV32 má GPT‑6.2 Astra při vyšších srovnatelných rozpočtech nejvyšší průměrné skóre. Kolem 112 000 tokenů dosahuje přibližně dvojnásobného skóre oproti GPT‑6 Astra.

U stávajícího jádra Ibex průměrné skóre GPT‑6.2 Astra dále roste s vyššími rozpočty, kterých dosahuje. Výsledky GPT‑6 Astra a GPT‑6.1 Sol jsou si bližší.

Ve druhé úloze jsme každému modelu poskytli písemné požadavky a šablony z otevřeného zdrojového kódu, které ukazovaly, jak se jádro připojuje ke zbytku systému. Model zvolil, jak budou jádrem proudit data a jak se práce rozdělí do jednotlivých stupňů. U každého jádra jsme zachovali stejné kontroly správnosti, nastavení paměti a mezipaměti i výkonnostní cíle jako v úloze optimalizace RTL.

Při přibližně 112 000 tokenech na běh dosáhlo všech pět modelů vyššího skóre při návrhu jádra podle písemných požadavků než při snaze vylepšit stávající návrh. To platilo pro PicoRV32 i Ibex. GPT‑6.2 Astra se zlepšil více u jádra Ibex než u PicoRV32. Celé vyhodnocení zahrnovalo 9 881 hodnocených běhů napříč oběma úlohami, oběma jádry a všemi tokenovými rozpočty.

Při návrhu ze specifikace PicoRV32 překračuje GPT‑6.2 Astra průměrné skóre 0,7 s rozpočtem kolem 112 000 tokenů. Při dalších dvou sledovaných rozpočtech dosahuje ještě vyššího skóre.

Při návrhu jádra Ibex podle specifikace dosahuje GPT‑6.2 Astra průměrného skóre přibližně 0,75 s rozpočtem kolem 112 000 tokenů. Při vyšších rozpočtech společných všem modelům zůstává jeho křivka nad ostatními.

Návrh podle písemných požadavků dává modelům prostor vynechat funkce původních jader, například čítače výkonu a doplňkové instrukce. Tyto funkce mohou mít na výkon v testovacích úlohách jen malý vliv, což by mohlo částečně vysvětlovat vyšší skóre. Pokud by test tyto funkce vyžadoval, stanovil přísnější limit plochy obvodu a kontroloval časování po fyzické syntéze, lépe by odpovídal návrhu čipů pro produkční použití.

Co bude dál

Ukázali jsme, že naše modely dokážou při hodnocení na RISC-V zkoumat nové procesorové architektury a přinášet další, zcela nová vylepšení i do propracovaných produkčních návrhů, jako jsou Jalapeño a vlajkové GPU a CPU nové generace od AMD. Abychom vývoj modelů opřeli o důvěryhodné hodnoticí nástroje a rozšířili okruh řešených návrhových úloh, spolupracujeme se společností Synopsys na trénování nového modelu GPT‑Synopsys⁠(otevře se v novém okně). Učíme ho používat nástroje Synopsys pro automatizaci návrhu elektroniky (EDA) tak, jak je používají zkušení návrháři čipů.