Départ 23/11Cohorte 3 en direct Vibe Coding & Agents IA : 3 semaines, 9 sessions liveCohorte 3 (23/11) →
InfrastructureAnalyse · Sur le radarThe Decoder→ original

En 5 mois, l'IA d'OpenAI améliore jusqu'à 14% le design GPU d'AMD en énergie, vitesse et surface

OpenAI affirme que ses modèles ont aidé AMD à améliorer son bloc GPU phare jusqu'à 14% sur la métrique PPA (consommation d'énergie, vitesse et surface de la puce) en moins de cinq mois. Selon OpenAI, cela représente environ un an de travail supplémentaire sur un design que les ingénieurs d'AMD peaufinaient depuis des années. Une partie des modifications figure déjà dans le projet envoyé en production. Pour les produits fondés sur l'IA, c'est l'espoir d'une inférence moins chère, même si les chiffres ne viennent pour l'instant que de l'entreprise elle-même.

Traité par IA depuis The Decoder ; édité par Hamidun News
En 5 mois, l'IA d'OpenAI améliore jusqu'à 14% le design GPU d'AMD en énergie, vitesse et surface
Source : The Decoder. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireThe Decoder ↗
Rédacteur en chef
Chiffre clé #1La même méthode a servi pour Jalapeño, la première puce d'inférence maison d'OpenAI
Chiffre clé #2Sur les cœurs RISC-V ouverts, GPT-6.2 Astra a obtenu le meilleur résultat
Chiffre clé #3Mythos d'Anthropic a traité des prompts sur AMD MI355X en 3 jours, contre 6 à 12 mois habituellement

Imaginez un code que son équipe optimise depuis des années : profileurs, refactorisation, réglages manuels. Et un réseau de neurones y trouve encore jusqu'à 14% de gain. C'est à peu près ce qu'OpenAI affirme à propos des puces.

Avec AMD, ses modèles ont amélioré le bloc GPU phare de l'entreprise sur la métrique PPA, jusqu'à 14%, en moins de cinq mois. Le PPA regroupe les trois paramètres sur lesquels les ingénieurs en puces se battent en permanence : la consommation d'énergie (power), la performance (performance) et la surface de la puce (area). Plus le PPA est bon, plus la puce est rapide, économe ou compacte.

Cela concerne tous ceux qui paient pour faire tourner des modèles d'IA : c'est le matériel qui détermine le coût de chaque réponse. Ces données ne proviennent pour l'instant que d'OpenAI, et aucune vérification indépendante n'existe.

Ce qu'OpenAI et AMD ont concrètement obtenu

Il s'agit d'un bloc IP, c'est-à-dire d'un fragment de design de puce prêt à l'emploi, ensuite réutilisé dans des produits. C'est le bloc GPU phare d'AMD, et non une ébauche dans laquelle n'importe quelle nouvelle approche trouve vite une marge de progression. Les ingénieurs d'AMD l'optimisent depuis des années.

Selon OpenAI, une amélioration du PPA allant jusqu'à 14% en moins de cinq mois équivaut à environ un an de progrès par rapport au travail déjà accompli par les humains. Deux réserves importantes : « jusqu'à 14% » est un maximum, pas une moyenne, et « un an de progrès » est une estimation d'OpenAI, pas une grandeur mesurée.

Un détail pratique s'ajoute : d'après OpenAI, AMD a déjà intégré une partie des modifications au design envoyé en production. Cela distingue l'annonce d'une démonstration de laboratoire : les changements passent par un processus où une erreur coûte très cher.

Jalapeño, RISC-V et Synopsys

La même méthode a servi pour Jalapeño, la première puce maison d'OpenAI dédiée à l'inférence, c'est-à-dire à l'exécution de modèles déjà entraînés. Pour une entreprise qui achète de la puissance de calcul en quantités énormes, chaque watt et chaque millimètre carré de silicium économisés se traduisent directement en argent.

OpenAI a par ailleurs testé ses modèles sur des cœurs de processeur RISC-V ouverts. Le nouveau GPT-6.2 Astra y a obtenu les meilleurs résultats de toutes les générations de modèles. Pour les praticiens, c'est un signal : la capacité des modèles à aider à concevoir des puces progresse de version en version.

OpenAI travaille en outre avec Synopsys sur GPT-Synopsys, un modèle qui s'appuie sur les outils d'automatisation de la conception (EDA) de Synopsys. L'objectif est de rendre la conception de puces assistée par IA accessible à un plus grand nombre d'équipes.

Anthropic suit la même voie

Anthropic cite elle aussi des résultats similaires. Selon l'entreprise, son modèle Mythos a traité les prompts pour un modèle sur GPU AMD MI355X en seulement trois jours, alors qu'une telle tâche prend habituellement de six à douze mois. Claude tourne aujourd'hui sur quatre familles de puces : c'est ainsi que l'entreprise optimise le coût et la performance par dollar.

Ce qu'il faut en retenir

Pour les fondateurs et les product managers, la conclusion est pragmatique. Le coût de l'inférence est le premier poste de dépenses de nombreux produits d'IA, et un gain de quelques points au niveau de la puce peut, avec le temps, se traduire par des prix plus bas ou une marge plus élevée. Si l'adaptation des modèles à un nouveau matériel passe de plusieurs mois à quelques jours, comme dans l'exemple d'Anthropic, la dépendance à un seul fabricant de GPU devient moins rigide.

La prudence reste de mise. On ignore quelle part de contrôle humain a été nécessaire pour vérifier les modifications proposées, et dans quelle mesure les résultats se reproduiraient sur d'autres blocs. Mais la direction est claire : l'IA commence à accélérer la conception du matériel sur lequel tournera la prochaine génération d'IA.

Dossier

Questions clés sur cet article

Que sait-on sur Ce qu'OpenAI et AMD ont concrètement obtenu ?

Il s'agit d'un bloc IP, c'est-à-dire d'un fragment de design de puce prêt à l'emploi, ensuite réutilisé dans des produits. C'est le bloc GPU phare d'AMD, et non une ébauche dans laquelle n'importe quelle nouvelle approche trouve vite une marge de progression. Les ingénieurs d'AMD l'optimisent depuis des années. Selon OpenAI, une amélioration du PPA allant jusqu'à 14% en moins de cinq mois équivaut à environ un an de progrès par rapport au travail déjà accompli par les humains.

Que sait-on sur Jalapeño, RISC-V et Synopsys ?

La même méthode a servi pour Jalapeño, la première puce maison d'OpenAI dédiée à l'inférence, c'est-à-dire à l'exécution de modèles déjà entraînés. Pour une entreprise qui achète de la puissance de calcul en quantités énormes, chaque watt et chaque millimètre carré de silicium économisés se traduisent directement en argent. OpenAI a par ailleurs testé ses modèles sur des cœurs de processeur RISC-V ouverts. Le nouveau GPT-6.2 Astra y a obtenu les meilleurs résultats de toutes les générations de modèles.

Que sait-on sur Anthropic suit la même voie ?

Anthropic cite elle aussi des résultats similaires. Selon l'entreprise, son modèle Mythos a traité les prompts pour un modèle sur GPU AMD MI355X en seulement trois jours, alors qu'une telle tâche prend habituellement de six à douze mois. Claude tourne aujourd'hui sur quatre familles de puces : c'est ainsi que l'entreprise optimise le coût et la performance par dollar.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…