OpenAI: IA melhorou projeto de GPU da AMD em até 14% em energia, velocidade e área
A OpenAI informou que sua IA melhorou o projeto das GPUs topo de linha da AMD em até 14% em consumo de energia, velocidade e área do die. É como uma boa refatoração: o chip faz exatamente a mesma coisa, mas gasta menos energia ou ocupa menos espaço. O modelo reescreveu a descrição dos circuitos, e o software da Synopsys verificou cada alteração. A conclusão: a IA é útil onde o resultado é checado por uma ferramenta automática.
Processado por IA de TNW; editado por Hamidun News
A OpenAI informou que seus modelos melhoraram o projeto das GPUs topo de linha da AMD em até 14% em três métricas, justamente aquelas entre as quais os engenheiros de chips vivem escolhendo um meio-termo: consumo de energia, desempenho e área do die (juntas, são chamadas de PPA). Em termos simples, é parecido com uma boa refatoração de código: o chip faz exatamente a mesma coisa, mas gasta menos energia ou ocupa menos espaço no silício, o que significa que cabem mais chips em um mesmo wafer. O "até 14%" é o melhor resultado, não a média.
Para desenvolvedores e para quem constrói produtos com IA, o ponto mais relevante é outro: o modelo não mexeu em um exemplo de demonstração, mas em projetos já bastante otimizados, e parte das alterações já está em um chip enviado à produção.
O que exatamente a OpenAI fez
O modelo trabalhou com o código que descreve os circuitos do chip. Para ele, isso equivale mais ou menos ao código-fonte para um programador: ele propõe reescrever um trecho para que o circuito fique mais compacto ou mais econômico. Em seguida, programas da Synopsys, que os engenheiros já usam mesmo sem IA, verificam se o chip continua funcionando como antes depois da alteração. Se a verificação falha, a alteração é descartada.
Pela estimativa da OpenAI, isso permitiu obter cerca de um ano de progresso em menos de cinco meses. Além das GPUs, a AMD confirmou, segundo a OpenAI, um ganho de um dígito, ou seja, na casa de poucos por cento, em blocos-chave de seu próximo processador topo de linha. É um resultado mais modesto que o das GPUs, mas, para projetos maduros, também é expressivo.
O chip próprio Jalapeño e a comparação entre modelos
A OpenAI aplicou a mesma abordagem ao seu próprio chip, o Jalapeño, que foi do projeto à produção em nove meses. As alterações feitas pelos modelos reduziram duas partes-chave do chip em cerca de 13% e 10%. Segundo a empresa, essas mudanças funcionaram também no silício final, e não apenas em simulação.
A OpenAI também testou cinco gerações de seus modelos em dois processadores pequenos de código aberto. O mais recente, o GPT-6.2 Astra, teve o melhor resultado tanto na tarefa de melhorar um projeto pronto quanto na de montar um processador a partir de requisitos escritos. A própria empresa faz uma ressalva: o segundo teste é mais simples, porque os modelos podiam não implementar funções que existiam nos originais.
O que vem a seguir e quais são os limites
O próximo passo é o GPT-Synopsys, modelo que a OpenAI está treinando em parceria com a Synopsys. A ideia é que ele funcione dentro das ferramentas de engenharia a que os projetistas de chips já estão acostumados, e não em um ambiente separado.
A proposta também atrai startups: em junho, a Architect Labs levantou US$ 24 milhões para ajudar empresas com tarefas semelhantes.
Nem todos estão totalmente convencidos. Richard Ho, responsável pela área de chips da OpenAI, disse no mês passado que ainda não está pronto para aceitar mudanças feitas por IA na confiança, e por isso cada uma delas é verificada. Além disso, os números desta história vêm da própria OpenAI e foram reproduzidos conforme o relato da empresa: a reportagem não traz medições independentes.
O que isso significa na prática
Primeira lição: a IA funciona melhor onde existe um verificador automático rápido e confiável. Nos chips, são as ferramentas de verificação da Synopsys; no desenvolvimento de software comum, são os testes e o CI. Se a "correção" pode ser checada por uma máquina, as alterações autônomas feitas por um modelo trazem retorno real; se não pode, quem paga o preço do erro é uma pessoa.
Segunda lição: o ganho se mede em prazo. Cinco meses em vez de um ano e nove meses do projeto à produção interessam a qualquer empresa que desenvolve hardware próprio para cargas de trabalho de IA. Se o GPT-Synopsys realmente se integrar às ferramentas habituais, a barreira de entrada para equipes pequenas deve diminuir.
Por ora, só dá para afirmar com segurança uma coisa: a IA acelera o trabalho dos engenheiros, mas não os substitui. A responsabilidade por cada alteração continua com as pessoas e com os programas de verificação.
- 20 de nov. de 2026GitLab faz os créditos do Duo Agent Platform durarem até 2 vezes mais
- 20 de nov. de 2026Superhuman abre o Go a 20 agentes de terceiros, e o assistente já tem 1 milhão de usuários
- 20 de nov. de 2026AWS lança NVIDIA Dynamo gerenciado para modelos que não cabem em um único servidor
- 20 de nov. de 2026Kimi Code CLI agora funciona com Amazon Bedrock sem uma chave de API separada
Perguntas frequentes sobre a notícia
O que exatamente a OpenAI fez?
O modelo trabalhou com o código que descreve os circuitos do chip. Para ele, isso equivale mais ou menos ao código-fonte para um programador: ele propõe reescrever um trecho para que o circuito fique mais compacto ou mais econômico. Em seguida, programas da Synopsys, que os engenheiros já usam mesmo sem IA, verificam se o chip continua funcionando como antes depois da alteração. Se a verificação falha, a alteração é descartada.
O que se sabe sobre O chip próprio Jalapeño e a comparação entre modelos?
A OpenAI aplicou a mesma abordagem ao seu próprio chip, o Jalapeño, que foi do projeto à produção em nove meses. As alterações feitas pelos modelos reduziram duas partes-chave do chip em cerca de 13% e 10%. Segundo a empresa, essas mudanças funcionaram também no silício final, e não apenas em simulação. A OpenAI também testou cinco gerações de seus modelos em dois processadores pequenos de código aberto.
O que vem a seguir e quais são os limites?
O próximo passo é o GPT-Synopsys, modelo que a OpenAI está treinando em parceria com a Synopsys. A ideia é que ele funcione dentro das ferramentas de engenharia a que os projetistas de chips já estão acostumados, e não em um ambiente separado. A proposta também atrai startups: em junho, a Architect Labs levantou US$ 24 milhões para ajudar empresas com tarefas semelhantes. Nem todos estão totalmente 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.
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.