OpenAI: la IA mejoró el diseño de las GPU de AMD hasta un 14% en energía, velocidad y área
OpenAI asegura que su IA mejoró el diseño de las GPU insignia de AMD hasta un 14% en consumo de energía, velocidad y área del die. Es parecido a una buena refactorización: el chip hace lo mismo, pero gasta menos energía u ocupa menos espacio. El modelo reescribía la descripción de los circuitos y el software de Synopsys verificaba cada cambio. La conclusión: la IA resulta útil allí donde un sistema automático comprueba el resultado.
Procesado por IA desde TNW; editado por Hamidun NewsOpenAI informó de que sus modelos mejoraron el diseño de las GPU insignia de AMD hasta un 14% en tres métricas entre las que los ingenieros de chips siempre tienen que buscar un equilibrio: consumo de energía, rendimiento y área del die (en conjunto se conocen como PPA). En términos sencillos, es como una buena refactorización de código: el chip hace exactamente lo mismo, pero gasta menos energía u ocupa menos espacio en el silicio, de modo que caben más chips en una misma oblea. Ese «hasta 14%» es el mejor resultado, no el promedio.
Para los desarrolladores y quienes crean productos con IA, lo relevante es otra cosa: el modelo no corrigió un ejemplo de demostración, sino diseños muy optimizados, y parte de los cambios ya está en un chip enviado a producción.
Qué hizo exactamente OpenAI
El modelo trabajó con el código que describe los circuitos del chip. Para él es casi lo mismo que el código fuente para un programador: propone reescribir un fragmento para que el circuito resulte más compacto o más eficiente. Después, los programas de Synopsys, que los ingenieros usan también sin IA, comprueban que el chip siga funcionando igual que antes tras el cambio. Si la verificación falla, la modificación se descarta.
Según la estimación de OpenAI, así se logró aproximadamente un año de progreso en menos de cinco meses. Además de las GPU, AMD confirmó, según OpenAI, una mejora de un solo dígito —es decir, de unos pocos puntos porcentuales— en los bloques clave de su próximo procesador insignia. Es una cifra más modesta que en las GPU, pero también notable para diseños maduros.
Su propio chip Jalapeño y la comparación de modelos
OpenAI aplicó el mismo enfoque a su propio chip Jalapeño, que pasó del proyecto a la producción en nueve meses. Los cambios de los modelos redujeron dos partes clave del chip en aproximadamente un 13% y un 10%. Según la compañía, estas mejoras se confirmaron también en el silicio final, y no solo en simulación.
OpenAI también probó cinco generaciones de sus modelos en dos procesadores abiertos de pequeño tamaño. El más reciente, GPT-6.2 Astra, obtuvo el mejor resultado tanto en la mejora de un diseño ya terminado como en la construcción de un procesador a partir de requisitos escritos. La propia compañía matiza que la segunda prueba es más sencilla, porque los modelos podían no implementar funciones que sí estaban en los originales.
Qué viene después y cuáles son los límites
El siguiente paso es el modelo GPT-Synopsys, que OpenAI entrena junto con Synopsys. Debe funcionar dentro de las herramientas de ingeniería a las que los diseñadores de chips ya están acostumbrados, y no en un entorno aparte.
La idea también atrae a las startups: en junio, Architect Labs captó 24 millones de dólares para ayudar a las empresas con tareas similares.
No todos están plenamente convencidos. Richard Ho, responsable de la división de chips de OpenAI, dijo el mes pasado que todavía no está dispuesto a aceptar por fe los cambios de la IA, y por eso se verifica cada uno. Además, las cifras de esta historia proceden de la propia OpenAI y se citan según la compañía: el material no incluye mediciones independientes.
Qué implica esto en la práctica
Primera lección: la IA funciona mejor donde existe un verificador automático rápido y fiable. En los chips, son las herramientas de verificación de Synopsys; en el desarrollo de software convencional, los tests y la CI. Si una máquina puede comprobar la «corrección», los cambios autónomos del modelo dan un rendimiento real; si no puede, el coste del error lo paga una persona.
Segunda lección: la ganancia se mide en plazos. Cinco meses en lugar de un año y nueve meses del proyecto a la producción interesan a cualquier empresa que fabrique hardware propio para cargas de IA. Si GPT-Synopsys realmente se integra en las herramientas habituales, la barrera de entrada para los equipos pequeños bajará.
Por ahora, solo se puede afirmar con seguridad una cosa: la IA acelera el trabajo de los ingenieros, pero no los sustituye. La responsabilidad de cada cambio sigue recayendo en las personas y en los programas de verificación.
- 20 nov 2026GitLab hace que los créditos de Duo Agent Platform rindan hasta 2 veces más
- 20 nov 2026Superhuman abre Go a 20 agentes de terceros: el asistente ya tiene 1 millón de usuarios
- 20 nov 2026AWS lanza NVIDIA Dynamo como servicio gestionado para modelos que no caben en un solo servidor
- 20 nov 2026Kimi Code CLI ya funciona con Amazon Bedrock sin una clave de API independiente
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hizo exactamente OpenAI?
El modelo trabajó con el código que describe los circuitos del chip. Para él es casi lo mismo que el código fuente para un programador: propone reescribir un fragmento para que el circuito resulte más compacto o más eficiente. Después, los programas de Synopsys, que los ingenieros usan también sin IA, comprueban que el chip siga funcionando igual que antes tras el cambio. Si la verificación falla, la modificación se descarta.
¿Qué se sabe sobre Su propio chip Jalapeño y la comparación de modelos?
OpenAI aplicó el mismo enfoque a su propio chip Jalapeño, que pasó del proyecto a la producción en nueve meses. Los cambios de los modelos redujeron dos partes clave del chip en aproximadamente un 13% y un 10%. Según la compañía, estas mejoras se confirmaron también en el silicio final, y no solo en simulación. OpenAI también probó cinco generaciones de sus modelos en dos procesadores abiertos de pequeño tamaño.
¿Qué se sabe sobre Qué viene después y cuáles son los límites?
El siguiente paso es el modelo GPT-Synopsys, que OpenAI entrena junto con Synopsys. Debe funcionar dentro de las herramientas de ingeniería a las que los diseñadores de chips ya están acostumbrados, y no en un entorno aparte. La idea también atrae a las startups: en junio, Architect Labs captó 24 millones de dólares para ayudar a las empresas con tareas similares. No todos están plenamente convencidos.
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.