OpenAI e AMD encontram ganho de até 14% em PPA em bloco de GPU topo de linha em cinco meses
A OpenAI mostrou que seus modelos conseguem melhorar o próprio chip. Em parceria com a AMD, eles buscaram margem de ganho em um bloco de GPU topo de linha que engenheiros otimizaram manualmente por anos e, em menos de cinco meses, encontraram um ganho de até 14% em PPA (potência, desempenho e área do die). A mesma abordagem ajudou a melhorar o Jalapeño, o primeiro chip próprio da OpenAI para inferência, e nesse caso o ganho foi verificado. Para a indústria, o recado é que a IA no projeto de hardware está saindo da fase de demonstração e entrando no fluxo de trabalho.
Processado por IA de X: @OpenAI; editado por Hamidun News
Em geral, a IA no desenvolvimento é discutida como uma assistente que escreve código ou responde perguntas. A OpenAI propõe olhar para outro lado: os modelos começam a melhorar o hardware em que eles mesmos rodam. Em um anúncio, a empresa disse que, junto com a AMD, encontrou até 14% de melhoria em PPA em um bloco de GPU topo de linha (IP) em menos de cinco meses. E o design em questão já vinha sendo trabalhado por engenheiros da AMD havia anos.
O que é PPA e por que 14% é muito
PPA é a sigla de Power, Performance, Area: consumo de energia, desempenho e área do die. Os três parâmetros puxam em direções diferentes. Se você quer mais velocidade, o consumo sobe. Se quer um chip mais compacto, a velocidade sofre. Projetistas de chips buscam o equilíbrio entre eles há décadas, manualmente e com softwares especializados de automação de projeto.
Por isso, "até 14%" em um design maduro soa sério. Se o bloco já foi lapidado pela equipe, cada ponto percentual custa caro. Imagine uma cozinha em que o chef passou anos reorganizando os equipamentos para trabalhar mais rápido. Chega alguém novo e encontra um jeito de cortar ainda uma fração considerável dos passos entre o fogão e a mesa. É mais ou menos essa a escala que a OpenAI descreve.
Uma ressalva importante: a formulação "até 14%" indica o máximo, não a média do chip inteiro. No anúncio, a OpenAI não revela em qual das três métricas o pico foi atingido, quais modelos exatamente foram usados nem quanta supervisão humana foi necessária. Esses detalhes vão determinar o quanto o método é reproduzível.
Jalapeño: o primeiro chip próprio de inferência
A segunda parte do comunicado trata do Jalapeño, o primeiro chip customizado da OpenAI para inferência, ou seja, para executar modelos já treinados. Segundo a empresa, a mesma abordagem ajudou a melhorar esse chip, e o ganho foi verificado. É um detalhe importante: a história não se limita ao projeto em parceria com a AMD, e o método foi aplicado também ao hardware próprio da OpenAI.
Para quem trabalha na área, a ligação é direta. Hoje, a inferência é a principal linha de custo das empresas que vendem acesso a modelos. O custo do token é composto pelo preço dos chips, pela eletricidade e pelo número de requisições que cada acelerador processa. Uma melhoria em potência ou área, mantida a mesma velocidade, significa mais requisições por watt e por milímetro quadrado de silício. O anúncio não traz números do Jalapeño, então ainda não é possível estimar a economia em dólares por token.
O que isso significa para desenvolvedores e fundadores
Primeiro, o ciclo de projeto de chips, que se arrasta por anos, pode encurtar. Cinco meses para encontrar melhorias em um bloco já otimizado é uma referência com a qual as equipes clássicas vão precisar se comparar.
Segundo, os laboratórios com modelos de ponta ganham mais uma alavanca. Eles podem não só comprar aceleradores, mas também influenciar o design deles. A parceria entre OpenAI e AMD mostra que os fabricantes de chips estão dispostos a deixar esses modelos entrarem em seus projetos.
Terceiro, para startups que criam ferramentas de automação de projeto, isso é ao mesmo tempo uma ameaça e uma confirmação de demanda. Grandes laboratórios estão entrando nesse nicho, mas a tarefa continua muito específica: exige acesso a designs fechados, simuladores e verificação do resultado.
Limitações
A fonte é um comunicado da própria OpenAI, e não há medições independentes. A verificação do ganho no Jalapeño é declarada, mas a metodologia não é descrita no próprio post. Uma melhoria no nível do design ainda não equivale a uma melhoria no silício final: entre o projeto e o chip de produção há muitas etapas em que o resultado pode mudar.
Vale acompanhar três pontos: se surgirão detalhes da metodologia, se a AMD confirmará o resultado em seus produtos e se serão mostrados números reais do Jalapeño em operação. Se isso acontecer, "a IA projeta o hardware para a IA" deixará de ser uma frase de efeito e passará a ser um item comum no plano de desenvolvimento de chips.
- 19 de nov. de 2026Amazon e Google ficarão com 28,4% da Anthropic após o IPO, mas sem direito a voto
- 19 de nov. de 2026Tencent abre o Hy4 flash: de 224 bilhões de parâmetros, 12 bilhões ficam ativos, e o contexto chega a 1 milhão de tokens
- 19 de nov. de 2026Anthropic vai à bolsa: US$ 17 bilhões de receita em um trimestre e US$ 895 bilhões em contratos de servidores
- 19 de nov. de 2026Preço do token de IA cai 21,2% em seis semanas, e gasto das empresas com APIs recua 6,3%
Perguntas frequentes sobre a notícia
O que é PPA e por que 14% é muito?
PPA é a sigla de Power, Performance, Area: consumo de energia, desempenho e área do die. Os três parâmetros puxam em direções diferentes. Se você quer mais velocidade, o consumo sobe. Se quer um chip mais compacto, a velocidade sofre. Projetistas de chips buscam o equilíbrio entre eles há décadas, manualmente e com softwares especializados de automação de projeto. Por isso, "até 14%" em um design maduro soa sério. Se o bloco já foi lapidado pela equipe, cada ponto percentual custa caro.
O que se sabe sobre Jalapeño: o primeiro chip próprio de inferência?
A segunda parte do comunicado trata do Jalapeño, o primeiro chip customizado da OpenAI para inferência, ou seja, para executar modelos já treinados. Segundo a empresa, a mesma abordagem ajudou a melhorar esse chip, e o ganho foi verificado. É um detalhe importante: a história não se limita ao projeto em parceria com a AMD, e o método foi aplicado também ao hardware próprio da OpenAI. Para quem trabalha na área, a ligação é direta.
O que isso significa para desenvolvedores e fundadores?
Primeiro, o ciclo de projeto de chips, que se arrasta por anos, pode encurtar. Cinco meses para encontrar melhorias em um bloco já otimizado é uma referência com a qual as equipes clássicas vão precisar se comparar. Segundo, os laboratórios com modelos de ponta ganham mais uma alavanca. Eles podem não só comprar aceleradores, mas também influenciar o design deles. A parceria entre OpenAI e AMD mostra que os fabricantes de chips estão dispostos a deixar esses modelos entrarem em seus projetos.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.