OpenAI 說明模型如何改進 Jalapeño、AMD 晶片設計與 RISC-V 評測
OpenAI 詳解模型在 Jalapeño 晶片與 AMD 產線設計中的應用及 RISC-V 評測
晶片設計要在速度、耗電和麵積之間取捨,找出更好的電路往往需要大量專業工作。
- OpenAI 說明模型如何協助改寫電路設計,並用工具檢查改動前後的功能和效能。在自家的 Jalapeño 推理晶片中,團隊估計 warp 引擎和矩陣單元的標準單元面積分別減少約 13% 和 10%,改動也已在晶片上驗證。
- 與 AMD 合作時,部分設計相對原有基準最高提升 14%。OpenAI 也用兩款 RISC-V 核心比較不同模型,但指出從規格設計時可能省略部分功能,因此這項評測還不能完全代表量產晶片的設計情況。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
文章並列自研晶片、AMD 設計與 RISC-V 評測,能看出模型在實際晶片設計中的成果,以及評測方式的限制。
OpenAI:官網動態·2026-11-18 08:00· 18 小時前精選AI 評分71
Advancing chip design with OpenAI models
AI 導讀
OpenAI 介紹其模型在晶片設計中的進展:GPT-4o 早在 2025 年初協助設計自研推理晶片 Jalapeño,模型提出的改動使 warp engine 標準單元面積約減 13%、matrix unit 約減 10%,並已在矽片驗證。
推薦理由
原文給出模型在自研晶片和 AMD 產線設計上的具體 PPA 資料,以及跨代 RISC-V 評測方法,可對照了解模型在晶片設計中的實際邊界。
用 OpenAI 模型推進晶片設計
OpenAI 的模型正在快速改進為 AI 提供算力的晶片。今年 8 月,我們分享了 OpenAI 工程師如何藉助我們的前沿模型,加速開發我們的首款自研推理晶片 Jalapeño。本文將進一步介紹 Jalapeño 效能提升背後專家級的設計改進,以及我們如何把同樣的方法用於 AMD 的第三方硬體,並取得顯著收益。
為了衡量模型在端到端晶片設計任務上的能力,我們在兩款開源處理器設計上對連續幾代模型進行了評測,得到了不少有意思的發現。同時,為了讓能力發展建立在可信的評測之上,我們正與 Synopsys 合作,把前沿智慧整合進工程師設計、驗證晶片時已經在用的電子設計自動化(EDA)工具中。
改進 Jalapeño 的計算模組
2025 年初,我們開始用 GPT‑4o 協助設計 Jalapeño。即便是那時的早期模型,也找到了實現不小 PPA 改進的方法,例如:
在負責管理和執行平行計算任務的 warp 引擎中,收益來自浮點加法器和乘法器、轉換函式、歸約邏輯以及特殊函式單元。模型既探索了替代的邏輯實現方式,也研究瞭如何把計算拆分到不同流水線階段,從中找到共享硬體、減少中間儲存的機會。
在作為算術元件的矩陣單元中,改進累積體現在浮點加法器、乘法器和低精度點積電路上。其中一款乘法器重新設計後,綜合時的單元面積減少約 15%,同時延遲從兩個時鐘週期降到一週期。另一款加法器重新設計後,單元面積減少約 15%,並保持兩週期延遲。對點積邏輯和流水線組織的進一步改進,也為整個模組帶來了更多節省。
在 Jalapeño 的整體設計工作中,團隊估計模型提出的改動讓標準單元面積在 warp 引擎中減少約 13%,在矩陣單元中減少約 10%。這些最佳化已在Jalapeño 的矽片點亮過程中得到矽驗證。
與 AMD 的合作
我們與 AMD 合作改進 PPA,在旗艦 GPU IP 上相對經過深度最佳化的基線最高提升了 14%。我們的模型通過重寫描述晶片電路的程式碼(SystemVerilog RTL),找到了進一步的改進空間。這相當於用不到 5 個月的時間取得了大約一年的進展,在晶片設計前沿可謂前所未有的成果。AMD 已將其中部分改動納入近期送交製造的設計,並把另一些改動加入其量產設計檔案,供未來版本使用。
我們觀察到,模型能以專家級微架構師的水平推理 RTL。它可以重寫執行計算、控制操作或搬運資料的電路,並用 Synopsys 工具驗證每次重寫都保持了模組行為不變,同時評估功耗、效能和麵積上的權衡。
AMD 還驗證了,在其即將推出的下一代旗艦 CPU 的關鍵模組上,用我們模型寫出的設計帶來了個位數百分比的 PPA 提升。展望未來,我們預計在 GPU 和 CPU 上,相對最最佳化的基線還能取得進一步的 PPA 改進。
最佳化 RISC-V 核心
我們在 Jalapeño 和 AMD 晶片上的結果表明,模型能夠在生產設計中帶來改進。為了衡量晶片設計能力從一代模型到下一代的進步,我們在兩個開源 32 位 RISC-V 核心上測試了每個模型。PicoRV32 是一款緊湊型核心,專為可重程式設計晶片 FPGA 設計。OpenTitan 則在其安全晶片中採用 Ibex 作為嵌入式處理器。兩者都是面向嵌入式、微控制器級工作負載的完整處理器核心。
我們向每個模型提供每個核心的原始硬體描述,並要求它提升吞吐量(即核心每秒能執行的指令數)。例如,某項改動可能讓核心用更少的時鐘週期完成一條指令,但每個週期耗時更長。測量吞吐量可以同時反映這兩種效應。
我們在模擬中檢查了每個設計的輸出。如果設計未通過檢查,或所用面積超過原始核心的 16 倍,則記為零分。對於通過檢查的設計,我們在對模型隱藏的工作負載上測量每時鐘週期指令數。我們取這些工作負載的幾何平均值,再乘以用 Yosys 估算的最高時脈頻率,從而得到每秒指令數的估計值。對於每個核心,我們將相同約束下觀察到的最佳吞吐量記為 1.0 分。圖表顯示的是多次執行的平均得分,包括得零分的執行。
在每次執行約 112,000 個 token 的可比預算下,GPT‑6.2 Astra 在兩個核心上的平均得分都最高。GPT‑6.1 Sol 在兩個核心上的得分也都高於 GPT‑5.6 Sol。
在現有的 PicoRV32 核心上,GPT‑6.2 Astra 在較大的可比預算下平均得分最高。在約 112,000 個 token 時,其得分約為 GPT‑6 Astra 的兩倍。
在現有的 Ibex 核心上,GPT‑6.2 Astra 的平均得分隨著其達到的更高預算繼續攀升。GPT‑6 Astra 和 GPT‑6.1 Sol 的差距更小。
根據規格設計 RISC-V 核心
在第二項任務中,我們向每個模型提供書面要求,以及來自開原始碼的模板,展示核心如何與系統其餘部分連線。模型自行決定資料如何在核心中流動,以及如何將工作劃分為多個階段。對於每個核心,我們保持正確性檢查、記憶體與快取設定以及吞吐量目標與 RTL 最佳化任務相同。
在每次執行約 112,000 個 token 時,五個模型在根據書面要求設計核心時的得分都高於它們嘗試改進現有設計時的得分。PicoRV32 和 Ibex 都是如此。GPT‑6.2 Astra 在 Ibex 上的提升大於在 PicoRV32 上的提升。完整評估涵蓋兩項任務、兩個核心和所有 token 預算,共 9,881 次計分執行。
從 PicoRV32 規格出發,GPT‑6.2 Astra 在接近 112,000 個 token 時平均得分超過 0.7,並在接下來觀察到的兩個預算下得分更高。
在 Ibex 上,GPT‑6.2 Astra 根據規格設計時,在接近 112,000 個 token 時平均得分約為 0.75。在更大的共享預算下,其曲線始終高於其他模型。
從書面要求出發,模型有餘地省略原始核心中的某些特性,例如效能計數器和額外指令。這些特性對提升測試工作負載的吞吐量可能作用不大,這或許能解釋部分得分優勢。要求保留這些特性、對電路面積設定更嚴格的限制,並在物理綜合後檢查時序,將使測試更貼近實際生產晶片設計。
下一步計劃
我們已經證明,模型可以在 RISC-V 評測中探索新的處理器架構,並在 Jalapeño 以及 AMD 下一代旗艦 GPU 和 CPU 等複雜生產級設計的基礎上,帶來了全新的改進。為了讓模型開發建立在可信的評測方之上,並拓展所應對的設計挑戰,我們正與 Synopsys 合作訓練新模型 GPT‑Synopsys(在新視窗開啟),讓它像資深晶片設計師一樣使用 Synopsys 的電子設計自動化(EDA)工具。
作者
OpenAI
來源:OpenAI:官網動態 · openai.com