La IA de OpenAI mejoró en 5 meses el diseño de GPU de AMD hasta un 14% en energía, velocidad y área
OpenAI afirma que sus modelos ayudaron a AMD a mejorar su bloque GPU insignia hasta un 14% en la métrica PPA (consumo energético, velocidad y área del chip) en menos de cinco meses. Según la estimación de OpenAI, eso equivale a cerca de un año de trabajo sobre un diseño que los ingenieros de AMD llevaban años puliendo. Parte de los cambios ya forma parte del proyecto enviado a producción. Para los productos basados en IA, supone una posibilidad de inferencia más barata, aunque por ahora las cifras proceden solo de la propia compañía.
Procesado por IA desde The Decoder; editado por Hamidun News
Imagine un código que un equipo lleva años optimizando: con profilers, refactorización y ajuste manual. Y de pronto una red neuronal encuentra en él hasta un 14% más de margen. Algo parecido es lo que OpenAI afirma sobre los chips.
Junto con AMD, sus modelos mejoraron el bloque GPU insignia en la métrica PPA hasta un 14% en menos de cinco meses. PPA agrupa los tres parámetros por los que los ingenieros de chips luchan sin descanso: consumo energético (power), rendimiento (performance) y área del chip (area). Cuanto mejor es el PPA, más rápido, más eficiente o más compacto resulta el chip.
Esto importa a cualquiera que pague por ejecutar modelos de IA, porque el hardware determina el coste de cada respuesta. Por ahora, los datos son de la propia OpenAI y no hay verificación independiente.
Qué lograron exactamente OpenAI y AMD
Se trata de un bloque IP: un fragmento ya terminado del diseño de un chip que luego se usa en productos. Es el bloque GPU insignia de AMD, es decir, no un borrador en el que cualquier enfoque nuevo encuentra margen enseguida. Los ingenieros de AMD llevaban años optimizándolo.
Según la estimación de OpenAI, una mejora del PPA de hasta un 14% en menos de cinco meses equivale a aproximadamente un año de progreso sobre el trabajo que ya habían hecho las personas. Hay salvedades importantes: «hasta un 14%» es el máximo, no un promedio, y el «año de progreso» es una estimación de la propia OpenAI, no una magnitud medida.
Hay también un detalle práctico: según OpenAI, AMD ya ha incorporado parte de los cambios al diseño enviado a producción. Eso distingue este caso de una demostración de laboratorio: las modificaciones pasan por un proceso en el que un error sale carísimo.
Jalapeño, RISC-V y Synopsys
El mismo método ayudó con Jalapeño, el primer chip propio de OpenAI para inferencia, es decir, para ejecutar modelos ya entrenados. Para una compañía que compra cómputo en cantidades enormes, cada vatio y cada milímetro cuadrado de silicio que se ahorra se traduce directamente en dinero.
Por separado, OpenAI probó sus modelos en núcleos de procesador abiertos RISC-V. Allí, la nueva GPT-6.2 Astra obtuvo los mejores resultados de todas las generaciones de modelos. Para los profesionales, es una señal: la capacidad de los modelos para ayudar en el diseño de chips crece de una versión a otra.
Además, OpenAI trabaja con Synopsys en GPT-Synopsys, un modelo que utiliza las herramientas de automatización del diseño (EDA) de Synopsys. El objetivo es que el diseño de chips con ayuda de IA sea accesible para un abanico más amplio de equipos.
Anthropic sigue el mismo camino
Anthropic también cita resultados similares. Según la compañía, su modelo Mythos procesó los prompts de un modelo en la GPU AMD MI355X en solo tres días, cuando una tarea así suele llevar de seis a doce meses. Actualmente Claude funciona sobre cuatro familias de chips, con lo que la empresa optimiza el coste y el rendimiento por dólar.
Qué implica todo esto
Para fundadores y responsables de producto, la conclusión es pragmática. El coste de la inferencia es la principal partida de gasto de muchos productos de IA, y una mejora de unos pocos puntos porcentuales a nivel de chip puede acabar convirtiéndose en precios más bajos o en mayor margen. Si la adaptación de los modelos a un hardware nuevo se reduce de meses a días, como en el ejemplo de Anthropic, la dependencia de un único fabricante de GPU se vuelve menos rígida.
También conviene ser cautos. No se sabe cuánta supervisión humana hizo falta para verificar los cambios propuestos ni hasta qué punto los resultados se repetirán en otros bloques. Pero la dirección está clara: la IA empieza a acelerar la creación del hardware sobre el que funcionará la próxima generación de IA.
- 19 nov 2026La palabra «videojuego» elevó la disposición de GPT-6 Astra a elegir objetivos del 6% al 92%
- 19 nov 2026Los agentes de OpenAI resuelven por sí solos el 46% de las tareas de investigación de 2–4 horas; en marzo era el 23%
- 18 nov 2026AWS integra Dynamo en HyperPod: Qwen3-235B pasa de 101 a 207 tokens/s por GPU
- 18 nov 2026El nuevo modelo Jev responde en 150 ms frente a los 1,89 s de GPT-6 Astra
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué lograron exactamente OpenAI y AMD?
Se trata de un bloque IP: un fragmento ya terminado del diseño de un chip que luego se usa en productos. Es el bloque GPU insignia de AMD, es decir, no un borrador en el que cualquier enfoque nuevo encuentra margen enseguida. Los ingenieros de AMD llevaban años optimizándolo. Según la estimación de OpenAI, una mejora del PPA de hasta un 14% en menos de cinco meses equivale a aproximadamente un año de progreso sobre el trabajo que ya habían hecho las personas.
¿Qué se sabe sobre Jalapeño, RISC-V y Synopsys?
El mismo método ayudó con Jalapeño, el primer chip propio de OpenAI para inferencia, es decir, para ejecutar modelos ya entrenados. Para una compañía que compra cómputo en cantidades enormes, cada vatio y cada milímetro cuadrado de silicio que se ahorra se traduce directamente en dinero. Por separado, OpenAI probó sus modelos en núcleos de procesador abiertos RISC-V. Allí, la nueva GPT-6.2 Astra obtuvo los mejores resultados de todas las generaciones de modelos.
¿Qué se sabe sobre Anthropic sigue el mismo camino?
Anthropic también cita resultados similares. Según la compañía, su modelo Mythos procesó los prompts de un modelo en la GPU AMD MI355X en solo tres días, cuando una tarea así suele llevar de seis a doce meses. Actualmente Claude funciona sobre cuatro familias de chips, con lo que la empresa optimiza el coste y el rendimiento por dólar.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.