پرش به محتوای اصلی
پرش به محتوای مقاله

مدل‌های OpenAI ۱۴٪ بهبود PPA در تراشه‌های AMD دادند

·۲۷ آبان ۱۴۰۵۴ دقیقه مطالعه
کارت شتاب‌دهنده GPU AMD Instinct MI300X روی برد مدار
کارت شتاب‌دهنده GPU AMD Instinct MI300X روی برد مدار
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

نخستین کمی‌سازی سود PPA با کیفیت تولید روی IP پرچمدار AMD با مدل‌های OpenAI، به‌همراه اثبات در سیلیکون Jalapeño — پیش از این تنها در شبیه‌سازی گزارش می‌شد.

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.

چرا این موضوع مهم است؟

این نتیجه اعتبار مدل‌های زبانی بزرگ را در جریان کار سخت‌افزاری تولیدی تثبیت می‌کند و سیگنال می‌دهد که عامل‌های هوش مصنوعی به‌زودی در حلقه بستن زمان‌بندی و DRC/LVS مستقر خواهند شد. تجربه OpenAI با Jalapeño اثبات می‌کند حلقه بازخورد مدل-به-سیلیکون می‌تواند چرخه طراحی را از سال‌ها به ماه‌ها فشرده کند.

تأثیر برای ایران

به‌دلیل تحریم‌ها، دسترسی ایرانیان به ابزارهای EDA و IPهای AMD/Synopsys محدود است؛ این پیشرفت مسیر مستقیمی به اکوسیستم ایران ندارد.

·نگاه ما
تحریریه دات‌هوش

گلوگاه طراحی تراشه از کدنویسی RTL به ظرفیت محاسباتی تایید (verification compute) منتقل شده است — وقتی عامل‌ها تغییراتی پیشنهاد می‌دهند که تایید رسمی و سیلیکون را می‌گذرند، محدودیت اصلی تعداد مهندسان نیست، بلکه توان محاسبه برای اجرای ابزارهای EDA در مقیاس است. این تغییر بازی را برای استارتاپ‌های EDA باز می‌کند که می‌توانند لایه عامل را روی زیرساخت ابری بفروشند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.