Модели OpenAI сократили площадь блоков Jalapeño на 10–13%, а GPU AMD улучшили до 14%
OpenAI поручила моделям переписывать код схем чипов — как рефакторинг, только для процессора. В Jalapeño площадь ячеек упала на 13% в векторном блоке и на 10% в матричном, а в GPU AMD выигрыш по PPA (мощность, скорость, площадь) достиг 14%. Каждую правку проверяли инструменты Synopsys, а часть уже ушла в производство. Вывод: ИИ силён там, где результат проверяется автоматически.
AI-обработка оригинала OpenAI Blog; редакция Hamidun News
OpenAI рассказала, как её модели уже улучшают реальные чипы. Представьте рефакторинг: вы берёте рабочую функцию и переписываете её так, чтобы она работала быстрее и занимала меньше памяти, но вела себя точно так же. Здесь то же самое, только вместо функции — блок процессора, описанный кодом на языке SystemVerilog (так называемый RTL).
Результат измеряют по трём параметрам сразу: мощность, скорость и площадь кристалла, в отрасли это сокращают до PPA. В собственном ускорителе OpenAI для инференса, Jalapeño, модели сократили площадь стандартных ячеек примерно на 13% в векторном блоке и на 10% в матричном. В GPU AMD, который и так был сильно оптимизирован, выигрыш по PPA составил до 14%.
Для разработчиков вывод простой: когда у задачи есть автоматическая проверка и метрика, модель способна дать экспертный результат.
Что модели сделали в Jalapeño
OpenAI начала подключать GPT‑4o к разработке Jalapeño ещё в начале 2025 года. Уже эта модель находила нетривиальные улучшения.
Векторный блок выполняет параллельные вычисления. Экономия там набралась на сумматорах и умножителях с плавающей точкой, функциях преобразования, логике редукции и блоке специальных функций. Модель пробовала другие реализации логики и по-другому делила вычисления по стадиям конвейера. Так она находила места, где разные операции могут делить одно железо, а промежуточных данных нужно хранить меньше.
В матричном блоке один умножитель после переработки занял примерно на 15% меньше площади при синтезе, а задержка упала с двух тактов до одного. Другой сумматор стал меньше примерно на 15%, а его задержка в два такта не изменилась. Эти оптимизации подтвердились на живом кремнии при запуске Jalapeño.
AMD: правки поверх уже оптимизированного дизайна
С AMD OpenAI работала над теми же показателями на флагманском GPU. Базой служили сильно оптимизированные дизайны, и всё равно модель нашла до 14% улучшения, переписывая RTL-код. По словам OpenAI, это примерно год прогресса, уложенный меньше чем в 5 месяцев. Модель переписывала схемы, которые считают, управляют операциями или перемещают данные, и рассуждала о них на уровне опытного микроархитектора.
Важен контур проверки. Через инструменты Synopsys модель подтверждала, что каждая правка не меняет поведение блока, и оценивала компромисс между мощностью, скоростью и площадью. AMD уже включила часть изменений в дизайн, отправленный на производство, а остальные добавила в рабочие файлы для будущих версий. В ключевых блоках следующего флагманского CPU AMD независимо подтвердила выигрыш по PPA, но он измеряется единицами процентов.
Как это измеряли на ядрах RISC-V
Чтобы сравнить поколения моделей, OpenAI взяла два открытых 32-битных ядра: PicoRV32, компактное ядро для программируемых микросхем FPGA, и Ibex, встроенный процессор в защищённом чипе OpenTitan. Модели получили две задачи: ускорить готовое ядро и спроектировать ядро с нуля по письменным требованиям. Целью была пропускная способность — число инструкций в секунду.
Оценка строгая. Дизайн получал ноль, если не проходил проверки в симуляции или занимал площадь больше чем в 16 раз превышающую оригинал. Для остальных измеряли число инструкций за такт на скрытых от модели нагрузках и умножали на предельную частоту, оценённую в Yosys. Лучший результат на каждом ядре принимали за 100%, а нулевые попытки входили в среднее.
При бюджете около 112 тысяч токенов на запуск GPT‑6.2 Astra показал лучший средний результат на обоих ядрах, а GPT‑6.1 Sol обогнал GPT‑5.6 Sol. На PicoRV32 результат Astra примерно вдвое выше, чем у GPT‑6 Astra. Всего в оценке было 9 881 запусков. При проектировании по требованиям все пять моделей набрали больше, чем при улучшении готового ядра: GPT‑6.2 Astra получил около 70% от лучшего на PicoRV32 и примерно 75% на Ibex.
Оговорки и что дальше
Все цифры — из публикации самой OpenAI. Значение «до 14%» относится к лучшему случаю, а не к среднему по всему чипу. Преимущество проектирования с нуля отчасти объясняется тем, что модель может не включать счётчики производительности и дополнительные инструкции, которые мало влияют на тестовые нагрузки. OpenAI признаёт, что для реалистичности нужно требовать эти функции, жёстче ограничивать площадь и проверять тайминги после физического синтеза.
Дальше OpenAI вместе с Synopsys обучает модель GPT‑Synopsys, которая должна работать с EDA-инструментами (программами для проектирования и проверки чипов) так, как это делают опытные инженеры. Для команд, которые строят агентов, это пример рабочей схемы: модель предлагает правку, инструмент проверяет, метрика решает.
- 18 нояб. 2026 г.Одна китайская запятая переключила DeepSeek на китайский в 94% ответов
- 18 нояб. 2026 г.Hugging Face гонит запросы к LLM через OpenRouter: ошибок нехватки мощности меньше на 46%
- 18 нояб. 2026 г.Revolut ускорил разработку фич на 30–60% и поручил ИИ-агенту проверку платежей
- 18 нояб. 2026 г.Выручка Nvidia от дата-центров выросла на 110% до $107,6 млрд: ИИ-пауза не сработала
Вопросы и ответы по материалу
Что известно по теме: что модели сделали в Jalapeño?
OpenAI начала подключать GPT‑4o к разработке Jalapeño ещё в начале 2025 года. Уже эта модель находила нетривиальные улучшения. Векторный блок выполняет параллельные вычисления. Экономия там набралась на сумматорах и умножителях с плавающей точкой, функциях преобразования, логике редукции и блоке специальных функций. Модель пробовала другие реализации логики и по-другому делила вычисления по стадиям конвейера.
Что известно по теме: AMD: правки поверх уже оптимизированного дизайна?
С AMD OpenAI работала над теми же показателями на флагманском GPU. Базой служили сильно оптимизированные дизайны, и всё равно модель нашла до 14% улучшения, переписывая RTL-код. По словам OpenAI, это примерно год прогресса, уложенный меньше чем в 5 месяцев. Модель переписывала схемы, которые считают, управляют операциями или перемещают данные, и рассуждала о них на уровне опытного микроархитектора. Важен контур проверки.
Что известно по теме: как это измеряли на ядрах RISC-V?
Чтобы сравнить поколения моделей, OpenAI взяла два открытых 32-битных ядра: PicoRV32, компактное ядро для программируемых микросхем FPGA, и Ibex, встроенный процессор в защищённом чипе OpenTitan. Модели получили две задачи: ускорить готовое ядро и спроектировать ядро с нуля по письменным требованиям. Целью была пропускная способность — число инструкций в секунду. Оценка строгая. Дизайн получал ноль, если не проходил проверки в симуляции или занимал площадь больше чем в 16 раз превышающую оригинал.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.