OpenAI

18. november 2026

ResearchPublikasjon

Bedre brikkedesign med OpenAI-modeller

OpenAIs modeller forbedrer brikkene som driver AI i raskt tempo. I august⁠ fortalte vi hvordan ingeniører i OpenAI brukte våre banebrytende modeller til å fremskynde utviklingen av Jalapeño, vår første spesialutviklede inferensbrikke. Her ser vi nærmere på designforbedringene på ekspertnivå som ligger bak gevinstene i Jalapeño, og hvordan vi bruker samme tilnærming for å oppnå betydelige gevinster på tredjepartsmaskinvare sammen med AMD.

For å måle modellens evne til å håndtere brikkedesignoppgaver fra start til slutt evaluerte vi påfølgende modellgenerasjoner på to prosessordesign med åpen kildekode, med interessante funn. For å forankre utviklingen av modellenes evner i pålitelige evalueringsverktøy samarbeider vi med Synopsys om å integrere banebrytende intelligens med verktøyene for elektronisk designautomatisering (EDA) som ingeniører allerede bruker til å designe og verifisere brikker.

Forbedring av Jalapeños beregningsblokker

Vi begynte å bruke GPT‑4o som hjelp i utformingen av Jalapeño tidlig i 2025. Allerede denne tidlige modellen fant måter å oppnå vesentlige PPA-forbedringer på, blant annet:

I vektorenheten, som styrer og utfører parallelle beregningsoppgaver, kom besparelsene fra flyttallsaddere og -multiplikatorer, konverteringsfunksjoner, reduksjonslogikk og enheten for spesialfunksjoner. Modellene utforsket både alternative logikkimplementeringer og hvordan beregninger kunne fordeles på pipelinetrinn. De fant muligheter til å dele maskinvare og redusere mellomlagring.

I matriseenheten, en aritmetisk komponent, kom forbedringene fra flyttallsaddere, multiplikatorer og skalarproduktkretser med lav presisjon. En ny utforming av en multiplikator brukte omtrent 15 % mindre celleareal ved syntese, samtidig som latensen ble redusert fra to klokkesykluser til én. En separat omarbeiding av en adder reduserte cellearealet med omtrent 15 %, samtidig som latensen på to sykluser ble beholdt. Ytterligere forbedringer i skalarproduktlogikken og organiseringen av pipelinen ga flere besparelser i hele blokken.

For det samlede designarbeidet med Jalapeño anslår teamet at endringer foreslått av modellene reduserte standardcellearealet med omtrent 13 % i vektorenheten og 10 % i matriseenheten. Disse optimaliseringene ble bekreftet på fysisk silisium under den første oppstarten og testingen av Jalapeño-brikken⁠.

Samarbeidet vårt med AMD

Vi har samarbeidet med AMD om PPA-forbedringer og sett opptil 14 % forbedring sammenlignet med svært optimaliserte referansedesign for deres flaggskip-GPU-IP. Modellen vår fant ytterligere forbedringer ved å omskrive koden som beskriver brikkens kretser (SystemVerilog RTL). Dette tilsvarer omtrent ett års fremgang på under fem måneder – resultater uten sidestykke innen den mest avanserte brikkeutviklingen. AMD har allerede tatt med noen av disse endringene i et nylig design som er sendt til produksjon, og lagt andre til i produksjonsdesignfilene for bruk i fremtidige versjoner.

Vi har sett modellen resonnere om RTL på nivå med en ekspert på mikroarkitektur. Modellen kan omskrive kretser som utfører beregninger, styrer operasjoner eller flytter data. Den brukte Synopsys-verktøy til å verifisere at hver omskriving bevarte blokkens virkemåte, og til å vurdere avveiningene mellom effektforbruk, ytelse og areal.

AMD bekreftet også ensifrede prosentvise PPA-forbedringer i sentrale blokker i sin kommende neste generasjons flaggskip-CPU, med design skrevet av modellen vår. Fremover forventer vi ytterligere PPA-forbedringer for GPU-er og CPU-er sammenlignet med de mest optimaliserte referansedesignene.

Optimalisering av RISC-V-kjerner

Resultatene våre på Jalapeño og AMDs brikker viser at modeller kan forbedre design som brukes i produksjon. For å måle utviklingen i evnen til å designe brikker fra én modellgenerasjon til den neste testet vi hver modell på to 32-bits RISC-V-kjerner med åpen kildekode. PicoRV32 er en kompakt kjerne laget for omprogrammerbare brikker kalt FPGA-er. OpenTitan bruker Ibex som innebygd prosessor i sikkerhetsbrikken sin. Begge er komplette prosessorkjerner for arbeidsbelastninger i innebygde systemer i mikrokontrollerklassen.

Vi ga hver modell den opprinnelige maskinvarebeskrivelsen for hver kjerne og ba den øke gjennomstrømmingen (antall instruksjoner kjernen kan utføre per sekund). En endring kan for eksempel la en kjerne fullføre en instruksjon på færre klokkesykluser, men gjøre at hver syklus tar lengre tid. Måling av gjennomstrømming fanger opp begge effektene.

Vi kontrollerte utdataene fra hvert design i simulering. Design fikk null poeng hvis de ikke besto en kontroll eller brukte mer enn 16 ganger arealet til den opprinnelige kjernen. For design som besto, målte vi instruksjoner per klokkesyklus på arbeidsbelastninger som var skjult for modellene. Vi beregnet det geometriske gjennomsnittet for disse arbeidsbelastningene og multipliserte det med den maksimale klokkefrekvensen estimert med Yosys. Det ga oss et estimat på antall instruksjoner per sekund. For hver kjerne ga vi den beste gjennomstrømmingen vi observerte under de samme begrensningene, en poengsum på 1,0. Diagrammene viser gjennomsnittlig poengsum på tvers av kjøringer, inkludert dem som fikk null poeng.

Med et sammenlignbart budsjett på omtrent 112 000 token per kjøring hadde GPT‑6.2 Astra høyest gjennomsnittlig poengsum på begge kjernene. GPT‑6.1 Sol fikk også høyere poengsum enn GPT‑5.6 Sol på begge.

På den eksisterende PicoRV32-kjernen har GPT‑6.2 Astra høyest gjennomsnittlig poengsum ved de høyere sammenlignbare budsjettene. Ved rundt 112 000 token er poengsummen omtrent dobbelt så høy som for GPT‑6 Astra.

På den eksisterende Ibex-kjernen fortsetter GPT‑6.2 Astras gjennomsnittlige poengsum å stige ved høyere budsjettnivåer. GPT‑6 Astra og GPT‑6.1 Sol ligger nærmere hverandre.

Utforming av en RISC-V-kjerne fra en spesifikasjon

I den andre oppgaven ga vi hver modell skriftlige krav og maler fra den åpne kildekoden som viste hvordan kjernen kobles til resten av systemet. Modellen valgte hvordan data skulle flyttes gjennom kjernen, og hvordan arbeidet skulle deles inn i trinn. For hver kjerne beholdt vi de samme korrekthetskontrollene, innstillingene for minne og hurtigbuffer og målene for gjennomstrømming som i RTL-optimaliseringsoppgaven.

Med omtrent 112 000 token per kjøring fikk alle fem modellene høyere poengsum når de designet en kjerne ut fra skriftlige krav, enn når de forsøkte å forbedre det eksisterende designet. Dette gjaldt både PicoRV32 og Ibex. GPT‑6.2 Astra forbedret seg mer på Ibex enn på PicoRV32. Den fullstendige evalueringen omfattet 9881 poengsatte kjøringer fordelt på begge oppgavene, begge kjernene og alle tokenbudsjettene.

Med utgangspunkt i en PicoRV32-spesifikasjon passerer GPT‑6.2 Astra en gjennomsnittlig poengsum på 0,7 ved rundt 112 000 token og får høyere poengsum ved de to neste observerte budsjettene.

På Ibex oppnår GPT‑6.2 Astra en gjennomsnittlig poengsum på omtrent 0,75 ved rundt 112 000 token når den designer ut fra en spesifikasjon. Kurven ligger over de andre ved de høyere budsjettnivåene som også er brukt for de andre modellene.

Når modellene tar utgangspunkt i skriftlige krav, får de rom til å utelate funksjoner som finnes i de opprinnelige kjernene, som ytelsestellere og tilleggsinstruksjoner. Disse funksjonene bidrar kanskje lite til å forbedre gjennomstrømmingen på testarbeidsbelastningene, noe som kan forklare en del av forspranget i poengsum. Hvis disse funksjonene gjøres obligatoriske, grensen for kretsarealet settes strengere og tidsforholdene kontrolleres etter fysisk syntese, blir testen mer representativ for design av brikker for kommersiell produksjon.

Veien videre

Vi har vist at modellene våre kan utforske nye prosessorarkitekturer i RISC-V-evalueringer, og har bidratt med ytterligere forbedringer av avanserte produksjonsdesign som Jalapeño og AMDs neste generasjons flaggskip-GPU og -CPU. For å forankre modellutviklingen i pålitelige evalueringsverktøy og håndtere et bredere spekter av designutfordringer samarbeider vi med Synopsys om å trene en ny modell, GPT‑Synopsys⁠(åpnes i et nytt vindu), til å bruke Synopsys-verktøy for elektronisk designautomatisering (EDA) på samme måte som erfarne brikkedesignere gjør.