OpenAI

2026年11月18日

リサーチ出版物

OpenAI モデルによるチップ設計の進化

OpenAI のモデルは、AI を支えるチップの改良を急速に進めています。8 月には、⁠OpenAI のエンジニアがフロンティアモデルを活用して、初の独自推論チップ Jalapeño の開発を加速させた取り組みを紹介しました。今回は、Jalapeño の性能向上を支えた専門家レベルの設計改良を詳しく解説するとともに、AMD と協力し、同じ手法で他社製ハードウェアでも大幅な改善を実現している取り組みを紹介します。

チップ設計タスクを最初から最後まで遂行するモデルの能力を測るため、2 つのオープンソースのプロセッサ設計を用いて歴代のモデルを評価したところ、興味深い結果が得られました。また、信頼できる評価手段に基づいて能力開発を進めるため、Synopsys と協力し、エンジニアがすでにチップの設計や検証に使用している電子設計自動化(EDA)ツールに、フロンティア AI の知能を統合しています。

Jalapeño の演算ブロックの改良

2025 年初頭、Jalapeño の設計支援に GPT‑4o を使い始めました。この初期のモデルでも、次のような PPA(消費電力・性能・面積)の有意な改善策を見いだしました。

並列計算タスクを管理・実行するベクトルユニットでは、浮動小数点加算器と乗算器、変換機能、リダクションロジック、特殊関数ユニットで削減を実現しました。モデルは、ロジックの別の実装方法と、計算をパイプラインの各ステージに分割する方法の両方を探索し、ハードウェアの共有や中間結果の保存領域の削減につながる余地を見いだしました。

演算を担う行列ユニットでは、浮動小数点加算器、乗算器、低精度の内積回路にわたって改善を積み重ねました。ある乗算器の再設計では、合成時のセル面積を約 15% 削減し、レイテンシも 2 クロックサイクルから 1 クロックサイクルに短縮しました。別の加算器の再設計では、2 サイクルのレイテンシを維持しながら、セル面積を約 15% 削減しました。内積ロジックとパイプライン構成をさらに改良することで、ブロック全体で追加の削減につながりました。

Jalapeño の設計プロジェクト全体では、モデルが提案した変更により、標準セル面積をベクトルユニットで約 13%、行列ユニットで約 10% 削減できたとチームは推定しています。これらの最適化は、Jalapeño のシリコン立ち上げ⁠時に実チップで検証されました。

AMD との協業

AMD と提携して PPA の改善に取り組み、フラッグシップ GPU の IP で、徹底的に最適化されたベースラインに対して最大 14% の改善を確認しました。OpenAI のモデルは、チップの回路を記述するコード(SystemVerilog RTL)を書き換えることで、さらなる改善策を見いだしました。これは約 1 年分の進歩を 5 か月未満で達成したことになり、最先端のチップ設計において前例のない成果です。AMD は、最近製造に回した設計にすでに一部の変更を取り入れています。また、将来のバージョンで使用するため、ほかの変更も製品用の設計ファイルに追加しました。

モデルが RTL について、熟練のマイクロアーキテクトと同等のレベルで推論することを確認しています。モデルは、計算、動作の制御、データの移動を担う回路を書き換えられます。モデルは Synopsys のツールを使い、書き換えのたびにブロックの動作が維持されていることを検証し、消費電力、性能、面積のトレードオフを評価しました。

AMD はまた、OpenAI のモデルが作成した設計を用いて、今後投入する次世代フラッグシップ CPU の主要ブロック全体で、数パーセントの PPA 改善を確認しました。今後は、GPU と CPU のいずれでも、最も最適化されたベースラインから、さらに PPA を改善できると見込んでいます。

RISC-V コアの最適化

Jalapeño と AMD のチップで得られた成果は、モデルが製品向けの設計を改善できることを示しています。モデルの世代ごとにチップ設計能力がどの程度進歩したかを測るため、2 つのオープンソースの 32 ビット RISC-V コアで各モデルをテストしました。PicoRV32 は、FPGA と呼ばれる再プログラム可能なチップ向けに設計されたコンパクトなコアです。OpenTitan は、セキュリティチップの組み込みプロセッサとして Ibex を採用しています。どちらも、組み込み用途のマイクロコントローラクラスのワークロードに対応する、完全なプロセッサコアです。

各モデルにそれぞれのコアの元のハードウェア記述を与え、スループット(コアが 1 秒間に実行できる命令数)を向上させるよう求めました。たとえば、ある変更によって命令の完了に必要なクロックサイクル数を減らせても、各サイクルにかかる時間は長くなる場合があります。スループットを測定すれば、両方の影響を捉えられます。

各設計の出力をシミュレーションで確認しました。チェックに不合格となった設計や、面積が元のコアの 16 倍を超えた設計は、スコアをゼロとしました。合格した設計については、モデルに非公開のワークロードで、クロックサイクルあたりの命令数を測定しました。これらのワークロードで得られた値の幾何平均を取り、Yosys で推定した最大クロック周波数を掛けました。これにより、1 秒あたりの命令数の推定値が得られました。各コアについて、同じ制約下で観測された最高のスループットをスコア 1.0 としました。グラフは、スコアがゼロの試行も含めた、全試行の平均スコアを示しています。

1 回の試行あたり約 112,000 トークンという同程度の予算では、GPT‑6.2 Astra が両方のコアで最も高い平均スコアを獲得しました。GPT‑6.1 Sol も、両方のコアで GPT‑5.6 Sol のスコアを上回りました。

既存の PicoRV32 コアでは、比較可能な予算のうち、予算が大きい領域で GPT‑6.2 Astra の平均スコアが最も高くなっています。約 112,000 トークンでは、GPT‑6 Astra の約 2 倍のスコアです。

既存の Ibex コアでは、GPT‑6.2 Astra の平均スコアは、トークン予算を増やすにつれて上昇し続けています。GPT‑6 Astra と GPT‑6.1 Sol のスコアは、より近い値になっています。

仕様に基づく RISC-V コアの設計

2 つ目のタスクでは、文書化された要件と、コアをシステムのほかの部分に接続する方法を示すオープンソースコードのテンプレートを、各モデルに与えました。モデルは、コア内でのデータの流れと、処理をステージに分割する方法を選びました。各コアの正しさの検証方法、メモリとキャッシュの設定、スループットの目標は、RTL 最適化タスクと同じにしました。

1 回の試行あたり約 112,000 トークンでは、5 つのモデルすべてが、既存の設計を改良した場合より、文書化された要件からコアを設計した場合に高いスコアを獲得しました。これは PicoRV32 と Ibex の両方に当てはまりました。GPT‑6.2 Astra のスコア向上幅は、PicoRV32 より Ibex で大きくなりました。評価全体では、両タスク、両コア、すべてのトークン予算を合わせて 9,881 回の試行を採点しました。

PicoRV32 の仕様から設計した場合、GPT‑6.2 Astra の平均スコアは約 112,000 トークンで 0.7 を超え、その次に観測された 2 段階の予算では、さらに高いスコアを記録しています。

Ibex では、仕様から設計した場合、GPT‑6.2 Astra の平均スコアは約 112,000 トークンで約 0.75 です。共通の予算をさらに増やした場合も、その曲線はほかのモデルを上回り続けています。

文書化された要件から設計すると、パフォーマンスカウンターや追加命令など、元のコアに備わっていた機能をモデルが省略する余地が生まれます。これらの機能は、テスト用ワークロードのスループット向上にはほとんど寄与しない可能性があり、そのことがスコアの優位性の一因となっているかもしれません。これらの機能を必須とし、回路面積の上限をより厳しく設定し、物理合成後のタイミングを確認すれば、製品向けのチップ設計をより忠実に反映したテストになります。

今後の展望

今回、OpenAI のモデルが RISC-V の評価で新しいプロセッサアーキテクチャを探索できることを実証しました。また、Jalapeño や AMD の次世代フラッグシップ GPU・CPU など、高度に洗練された製品向けの設計にも、さらなる改善をもたらしました。信頼できる評価手段に基づいてモデル開発を進め、対応できる設計課題を広げるため、Synopsys と提携して新モデル GPT‑Synopsys⁠(新しいウィンドウで開く) をトレーニングしています。熟練のチップ設計者と同じように Synopsys の電子設計自動化(EDA)ツールを使えるようにすることを目指しています。