Modelos da OpenAI melhoraram chip da AMD em até 14% em consumo de energia, velocidade e área em cinco meses
Engenheiros passam meses extraindo, na mão, pontos percentuais de um circuito de chip pronto: menos energia, mais velocidade, menos silício. Os modelos da OpenAI melhoraram esses três indicadores (PPA) em blocos de uma GPU topo de linha da AMD em até 14% no total. Segundo a estimativa da OpenAI, o trabalho levou menos de cinco meses em vez de um ano, e as correções foram verificadas pelo software da Synopsys. A conclusão: a IA serve para refinar circuitos quando o resultado pode ser checado automaticamente.
Processado por IA de 3DNews AI; editado por Hamidun News
Imagine que você tem um código funcionando, já otimizado por especialistas, e precisa extrair dele mais alguns por cento. Com microchips é a mesma coisa, só que mais caro: cada ponto percentual de economia de energia, velocidade ou área de silício representa dinheiro em milhões de chips. A OpenAI contou que delegou esse refinamento aos seus modelos.
Em blocos de uma GPU topo de linha da AMD, eles melhoraram três indicadores ao mesmo tempo — consumo de energia, desempenho e área ocupada, que a indústria resume na sigla PPA (Power, Performance, Area). O ganho total chegou a 14% em relação a projetos que os engenheiros já tinham otimizado com cuidado. Segundo a estimativa da OpenAI, o trabalho levou menos de cinco meses, enquanto a abordagem tradicional exigiria cerca de um ano.
O que exatamente a IA fez
O trabalho começou no início de 2025, no acelerador próprio da OpenAI chamado Jalapeño, e usou o modelo GPT-o3 mini. A rede neural atuou no bloco vetorial, a parte do chip que executa cálculos paralelos. Ela otimizou somadores e multiplicadores, blocos de conversão de dados e nós de operações especiais. O modelo simplificou circuitos lógicos e redistribuiu cálculos entre os estágios do pipeline. Como resultado, diferentes operações passaram a usar os mesmos componentes de hardware, e o volume de dados armazenados temporariamente na memória diminuiu.
Os números são estes. O multiplicador passou a ocupar 15% menos área e executa a operação em um ciclo, e não em dois. O somador também encolheu 15%, mas sua latência permaneceu a mesma: dois ciclos. No total, a área das células padrão do bloco vetorial caiu, segundo a estimativa, cerca de 13%, e a do bloco matricial, cerca de 10%.
Como isso funcionou com a AMD
Em parceria com a AMD, os modelos da OpenAI propunham correções no código RTL em SystemVerilog, a linguagem usada para descrever circuitos digitais no nível de hardware. O modelo analisava não só os blocos de cálculo, mas também os circuitos de controle e de transmissão de dados.
As sugestões da IA não eram aceitas sem verificação. Os circuitos foram checados com ferramentas da Synopsys, que confirmavam que os blocos mantinham o comportamento original após as alterações e ajudavam a avaliar os compromissos entre consumo de energia, desempenho e área do chip. A AMD incorporou parte das correções em um dos projetos enviados para produção e acrescentou as demais à documentação de projeto para versões futuras. Além disso, a empresa confirmou ganhos de PPA de alguns pontos percentuais em blocos-chave dos processadores centrais topo de linha da próxima geração, desenvolvidos com a ajuda dos modelos da OpenAI.
Teste com núcleos RISC-V abertos e ressalvas
Para comparar gerações de modelos, a OpenAI usou dois núcleos de processador abertos da arquitetura RISC-V: o PicoRV32, voltado a microchips programáveis, e o Ibex, usado no OpenTitan. Foram duas tarefas: acelerar um núcleo já pronto e projetar um processador do zero a partir de uma descrição de requisitos. Com volume de computação comparável — cerca de 112 mil tokens por execução —, o melhor resultado nos dois núcleos foi do GPT-6.2 Astra, e o GPT-6.1 Sol superou o GPT-5.6 Sol. Foram realizados 9881 testes no total, e todos os cinco modelos obtiveram notas mais altas ao criar o processador do zero do que ao melhorar um circuito existente.
Essa vantagem tem um lado negativo, que a própria OpenAI menciona. Ao projetar do zero, é possível deixar de fora funções do processador original que quase não afetam os resultados dos testes definidos. Por isso, esses testes não refletem totalmente o desenvolvimento real. Para uma verificação rigorosa, são necessárias funções obrigatórias, limites mais rígidos para a área do chip e a checagem do circuito após o projeto físico.
O que isso significa na prática
A principal lição para quem constrói agentes é que a IA entrega resultado onde existe verificação automática. Aqui ela foi garantida pelas ferramentas da Synopsys, e a combinação «o modelo propõe — o software verificador confirma» transforma ideias em mudanças prontas para produção. O mesmo vale para o desenvolvimento comum: um agente com testes e linters pode ser colocado para refinar código pronto com muito mais segurança do que um sem eles.
O próximo passo da OpenAI, junto com a Synopsys, é o desenvolvimento do modelo GPT-Synopsys, capaz de usar as ferramentas de projeto e verificação automatizados de circuitos da mesma forma que os desenvolvedores experientes de chips.
Vale lembrar as limitações. Todos os números são estimativas da própria OpenAI, sem medições independentes. O 14% é um valor máximo, e não uma média de todos os blocos. A comparação «um ano contra cinco meses» é uma estimativa, e não um experimento controlado. Ainda assim, o fato de parte das correções ter chegado a um projeto enviado para produção mostra que a IA no projeto de chips já ultrapassou a fase das demonstrações.
- 21 de nov. de 2026OpenAI GPT-6 Cyber encontrou cerca de 35 falhas no iPhone, no Mac e em outros dispositivos da Apple
- 21 de nov. de 202622 agentes Claude passaram seis semanas atrás de respostas sobre buracos negros e resolveram dois problemas
- 21 de nov. de 2026Google vai separar o armazenamento de chats do treinamento do Gemini: dá para recusar sem perder o histórico
- 21 de nov. de 2026Apple dá a usuários do macOS 27.3 beta 2 como limitar o acesso de agentes de IA aos arquivos do Mac
Perguntas frequentes sobre a notícia
O que exatamente a IA fez?
O trabalho começou no início de 2025, no acelerador próprio da OpenAI chamado Jalapeño, e usou o modelo GPT-o3 mini. A rede neural atuou no bloco vetorial, a parte do chip que executa cálculos paralelos. Ela otimizou somadores e multiplicadores, blocos de conversão de dados e nós de operações especiais. O modelo simplificou circuitos lógicos e redistribuiu cálculos entre os estágios do pipeline.
Como isso funcionou com a AMD?
Em parceria com a AMD, os modelos da OpenAI propunham correções no código RTL em SystemVerilog, a linguagem usada para descrever circuitos digitais no nível de hardware. O modelo analisava não só os blocos de cálculo, mas também os circuitos de controle e de transmissão de dados. As sugestões da IA não eram aceitas sem verificação.
O que se sabe sobre Teste com núcleos RISC-V abertos e ressalvas?
Para comparar gerações de modelos, a OpenAI usou dois núcleos de processador abertos da arquitetura RISC-V: o PicoRV32, voltado a microchips programáveis, e o Ibex, usado no OpenTitan. Foram duas tarefas: acelerar um núcleo já pronto e projetar um processador do zero a partir de uma descrição de requisitos. Com volume de computação comparável — cerca de 112 mil tokens por execução —, o melhor resultado nos dois núcleos foi do GPT-6.2 Astra, e o GPT-6.1 Sol superou o GPT-5.6 Sol.
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.