
用 OpenAI 模型推进芯片设计

OpenAI 在 8 月曾披露,其前沿模型用于加速首颗自研推理芯片 Jalapeño 的开发。这篇更详细的进展报告展示了 GPT-4o 从 2025 年初起参与设计后,在计算单元上做出的具体改进,并将同一套方法扩展到与 AMD 的第三方芯片合作,同时用两个开源 RISC-V 处理器核建立了可量化的能力评估。
在 Jalapeño 的向量单元中,模型找到的优化集中在浮点加法器与乘法器、转换函数、归约逻辑和特殊函数单元上。具体做法包括改写逻辑实现、重新划分流水线阶段、共享硬件和减少中间存储。矩阵单元则覆盖浮点加法器、乘法器和低精度点积电路。一个乘法器重设计在综合后减少约 15% 单元面积,延迟从两个时钟周期降到一个;一个加法器重设计减少约 15% 单元面积,同时保持两周期延迟。团队估计,模型提出的改动在向量单元减少 约 13% 的标准单元面积,在矩阵单元减少 约 10%,并已在 Jalapeño 的硅片 bring-up 中得到验证。
与 AMD 的合作中,模型通过重写描述电路的 SystemVerilog RTL,在旗舰 GPU IP 上相对高度优化的基线实现 最高 14% 的 PPA 提升。这相当于约一年的进展,在不到 5 个月内完成。AMD 已把部分改动放进近期送厂制造的设计,另一些则加入生产设计文件,用于未来版本。AMD 还验证了模型编写的设计在下一代旗舰 CPU 关键模块上带来个位数百分比的 PPA 提升。
为了衡量模型代际之间的能力变化,OpenAI 设计了两个任务,均使用 32 位开源 RISC-V 核:PicoRV32(面向 FPGA 的紧凑核)和 OpenTitan 中的 Ibex(嵌入式处理器)。第一个任务给模型原始硬件描述,要求提升吞吐量(每秒执行指令数)。输出先经过仿真检查,失败或面积超过原始核 16 倍得零分;通过的设计在隐藏工作负载上测量每时钟周期指令数,取几何平均后乘以用 Yosys 估计的最大时钟频率,得到吞吐量估计。每个核上,将相同约束下观察到的最佳吞吐量定为 1.0,图表报告的是多次运行的平均分(包含零分)。
在约 112,000 tokens/次运行的预算下,GPT-6.2 Astra 在两个核上的平均分最高,GPT-6.1 Sol 也高于 GPT-5.6 Sol。在 PicoRV32 上,GPT-6.2 Astra 在 112,000 tokens 附近的分数约为 GPT-6 Astra 的两倍。在 Ibex 上,GPT-6.2 Astra 在更高预算区间继续上升,而 GPT-6 Astra 与 GPT-6.1 Sol 的曲线更接近。
第二个任务改为只给书面需求和开源模板,由模型决定数据如何流动、如何划分流水线阶段。在约 112,000 tokens 时,五个模型从规格设计核的得分都高于改进现有设计,PicoRV32 和 Ibex 均如此。GPT-6.2 Astra 在 PicoRV32 上越过平均 0.7 分,在 Ibex 上约 0.75 分。整个评估包含两个任务、两个核和多种 token 预算,共 9,881 次得分运行。OpenAI 也指出,从规格出发允许模型省略原核中的性能计数器等特性,这些特性对测试工作负载的吞吐量帮助不大,这可能部分解释了规格设计任务的分数优势。要求这些特性、收紧面积限制、在物理综合后检查时序,会让测试更接近生产芯片设计。
接下来,OpenAI 正与 Synopsys 合作训练新模型 GPT-Synopsys,目标是让它像专家芯片设计师一样使用 Synopsys 的 EDA 工具,为模型开发提供可信的评估器,并拓展设计挑战的范围。

