مدلهای OpenAI توانستند تا ۱۴٪ بهبود در توان، کارایی و مساحت (PPA) روی تراشههای پرچمدار AMD محقق کنند. این پیشرفت معادل یک سال کار مهندسی سنتی در کمتر از پنج ماه انجام شد. این پیشرفت در خط مشی مدلهای GPT-6 Astra که در هفته سختافزاری OpenAI بررسی شده است ادامه دارد. همکاری با AMD در بهینهسازی تراشهها با روشی مشابه به آن که آنتروپیک برای پورت کردن کرنلهای MI355X انجام داده همسو است.
همکاری با AMD و نتایج PPA
به گزارش OpenAI، مدلها کدهای SystemVerilog را بازنویسی کردند و ابزارهای Synopsys حفظ رفتار بلوکها را تایید کرد. AMD تغییرات پیشنهادی را در فایلهای طراحی تولید برای نسلهای آینده GPU و CPU ادغام کرد. در سمت پردازنده مرکزی، AMD سودهای PPA تکرقمی در بلوکهای کلیدی یک CPU پرچمدار نسل آینده را با طراحیهای مدلمحور تایید کرد.
تراشه Jalapeño: تستبستر سیلیکون
Jalapeño، اولین تراشه استنتاج (inference) سفارشی OpenAI، از اوایل ۲۰۲۵ بستر آزمون اصلی بود. تیم برآورد میکند تغییرات مدل مساحت سلول استاندارد را در warp engine حدود ۱۳٪ و در matrix unit ۱۰٪ کاهش داده است. بازطراحی ضربکننده matrix unit حدود ۱۵٪ مساحت سلول کمتری در سنتز (synthesis) مصرف کرد و تأخیر (latency) را از دو دور ساعت به یک دور کاهش داد. یک بازطراحی جداگانه جمعکننده (adder) حدود ۱۵٪ مساحت سلول را کم کرد با حفظ تأخیر دو دوره. بهینهسازیهای dot-product و pipeline صرفهجوییهای افزایشی اضافه کردند. نتایج سیلیکون ۲۵ اوت ۲۰۲۶ تایید میکند کمک هوش مصنوعی Jalapeño را از طراحی اولیه تا tapeout در نه ماه رسانده است.
مقایسه نسلهای مدل روی هستههای RISC-V
OpenAI پنج نسل مدل — GPT-6.2 Astra، GPT-6 Astra، GPT-6.1 Sol، GPT-5.6 Sol و GPT-5.5 — را روی دو هسته RISC-V ۳۲ بیتی متنباز، PicoRV32 و Ibex (کاربرده در OpenTitan)، آزمون کرد. ارزیابی ۹٬۸۸۱ اجرای نمرهدهیشده را در بر میگرفت که هم بهینهسازی RTL و هم طراحی از مشخصه تا RTL را پوشش میداد. با بودجه قابل مقایسه حدود ۱۱۲٬۰۰۰ توکن (token) در هر اجرا، GPT-6.2 Astra بالاترین میانگین نمره روی هر دو هسته برای بهینهسازی RTL را ثبت کرد؛ GPT-6.1 Sol نیز روی هر دو هسته از GPT-5.6 Sol پیشی گرفت. در وظایف مشخصه-به-RTL در حدود بودجه مشابه، GPT-6.2 Astra میانگین نمره نرمالشده بالای ۰.۷ روی PicoRV32 و حدود ۰.۷۵ روی Ibex داشت. تمام پنج مدل در طراحی از نیازمندهای نوشتهشده نمره بالاتر گرفتند تا بهینهسازی RTL موجود.
چالشهای ارزیابی و راهحل GPT-Synopsys
نکته مهم: مدلهایی که از مشخصه آغاز میکردند میتوانستند ویژگیهایی مانند performance counters و دستورالعملهای اضافی را حذف کنند که روی بارهای تست پنهان تأثیر کمی بر throughput داشتند. این حذفها میتواند مزیت ظاهری را بزرگنمایی کند. OpenAI یادآور میشود که الزام این ویژگیها، تشدید محدودیتهای مساحت و بررسی زمانبندی پس از physical synthesis معیار را نمایندهتر جریانهای تولیدی میسازد.
برای اتصال سودهای طراحی هدایتشده با تایید قابل اعتماد، OpenAI با Synopsys برای آموزش GPT-Synopsys، عاملی (agent) که ابزارهای EDA را همانند طراحان متخصص به کار میگیرد، شراکت کرده است. توافق چندساله اعلامشده در ۳۰ سپتامبر ۲۰۲۶ شامل توسعه مشترک، go-to-market و revenue sharing میشود. مهندسان Synopsys اهداف را از بهینهسازی PPA تا timing closure و verification closure واگذار میکنند، با عاملهایی که ابزارها را اجرا میکنند، نتایج را تفسیر میکنند، تغییرات را پیاده میکنند و به سمت نتایج تاییدشده برای بازبینی مهندس تکرار میکنند. دادههای طراحی مشتری برای آموزش GPT-Synopsys استفاده نخواهد شد و در حالت ذخیره و انتقال رمزگذاری شده با کنترلهای نگهداری قابل تنظیم، حسابرسی و مجوز خواهد بود.




گفتگو