2026-11-18 · ← Aktualności
OpenAI przeniosło projekty układów z benchmarków do produkowanego krzemu
OpenAI twierdzi, że propozycje modeli zmniejszyły wybrane bloki układu Jalapeño o 10 do 13 %, a AMD włączyło do projektu wysłanego do produkcji zmiany dające do 14 % poprawy PPA. Najważniejsze jest to, że wynik modelu przeszedł kontrolę inżynierów i trafił do fizycznego układu.
Nie udało się wczytać obrazu.
OpenAI opublikowało wyniki wykorzystania swoich modeli przy projektowaniu układów. Firma podaje, że w jej chipie do inference Jalapeño propozycje modelu zmniejszyły powierzchnię komórek standardowych o około 13 % w jednostce wektorowej i o 10 % w jednostce macierzowej. Obie optymalizacje miały zostać potwierdzone podczas uruchamiania wyprodukowanego układu.
Propozycje modelu trafiły do projektów wysłanych do produkcji
Według OpenAI współpraca z AMD przyniosła do 14 % poprawy PPA, czyli łącznego wyniku wydajności, poboru mocy i powierzchni, względem mocno zoptymalizowanych projektów bazowych. Model przepisywał kod SystemVerilog RTL opisujący obwody. AMD włączyło część zmian do projektu wysłanego do produkcji, a kolejne dodało do plików przeznaczonych dla przyszłych wersji.
OpenAI przetestowało też pięć generacji modeli na dwóch otwartych 32-bitowych rdzeniach RISC-V, PicoRV32 i Ibex. Przy porównywalnym budżecie około 112 000 tokenów GPT-6.2 Astra osiągnął najwyższy średni wynik na obu rdzeniach. Pełny eval objął 9 881 ocenionych uruchomień.
Wartość powstaje podczas weryfikacji, a nie przy szybkim pisaniu RTL
Projektowanie układów ma długą i kosztowną pętlę informacji zwrotnej. Błąd pominięty w weryfikacji może ujawnić się dopiero po produkcji. Liczy się więc droga od propozycji modelu przez symulacje i kontrolę ekspertów do tape-outu, a nie liczba wygenerowanych linii RTL.
Zmienia się również rola inżyniera. Model może przeszukiwać warianty i proponować lokalne optymalizacje, a człowiek zachowuje kontrolę nad specyfikacją, ograniczeniami produkcji i poprawnością. Dla dostawców narzędzi EDA to sygnał, że AI wchodzi bezpośrednio do procesu projektowania i weryfikacji.
Wyniki partnerów nie zastępują niezależnego benchmarku
Dane produkcyjne pochodzą od OpenAI i jego partnerów. Nie znamy pełnej metodologii, skali pracy ludzi ani liczby nieudanych prób. Poprawa PPA zależy też od konkretnego bloku, bibliotek, ograniczeń i projektu wyjściowego, dlatego wyniku 14 % nie można przenieść na dowolny chip.
Otwarte evals RISC-V dają bardziej porównywalny pomiar, lecz PicoRV32 i Ibex są mniejsze i prostsze od współczesnego GPU lub CPU. Istotne jest połączenie dwóch rodzajów dowodów: powtarzalnego testu oraz zmian, które partner rzeczywiście dopuścił do produkcji.
Skalę zmiany pokażą nakład pracy i pomiary gotowych układów
Kolejny etap powinien ujawnić, ile czasu modele oszczędzają w całym projekcie, łącznie z weryfikacją i poprawkami. Potrzebne są powtarzalne wyniki dla większej liczby bloków, odsetek udanych propozycji oraz porównanie z tym samym zespołem pracującym bez modelu.
Najmocniejszy sygnał przyjdzie po produkcji: optymalizacje muszą regularnie potwierdzać się w pomiarach fizycznych układów bez wzrostu liczby błędów. Wtedy zobaczymy, czy to sprawny pomocnik, czy zmiana ekonomiki projektowania chipów.
Werdykt Lilith
Model nie szkicuje już układu wyłącznie na tablicy. Jego projekt przeszedł przez ręce inżynierów aż do produkcji krzemu, lecz rachunek za ludzką weryfikację nadal leży poza widokiem.