ИИ OpenAI улучшил чип AMD до 14% по энергии, скорости и площади за пять месяцев
Инженеры месяцами вручную выжимают из готовой схемы чипа проценты: меньше энергии, выше скорость, меньше кремния. Модели OpenAI улучшили эти три показателя (PPA) в блоках флагманского GPU AMD суммарно до 14%. По оценке OpenAI, на работу ушло меньше пяти месяцев вместо года, а правки проверял софт Synopsys. Вывод: ИИ годится для доводки схем, если результат можно проверить автоматически.
AI-обработка оригинала 3DNews AI; редакция Hamidun News
Представьте, что у вас есть работающий код, который уже оптимизировали опытные люди, и нужно выжать из него ещё несколько процентов. С микросхемами то же самое, только дороже: каждый процент экономии энергии, скорости или площади кремния означает деньги на миллионах чипов. OpenAI рассказала, что поручила такую доводку своим моделям. На блоках флагманского графического процессора AMD они улучшили сразу три показателя — энергопотребление, производительность и занимаемую площадь, которые в отрасли сводят в аббревиатуру PPA (Power, Performance, Area). Суммарный прирост составил до 14% относительно проектов, которые инженеры уже тщательно оптимизировали. По оценке OpenAI, на это ушло меньше пяти месяцев, тогда как при обычном подходе потребовался бы примерно год.
Что именно сделал ИИ
Работа началась в начале 2025 года над собственным ускорителем OpenAI под названием Jalapeño, тогда использовалась модель GPT-o3 mini. Нейросеть занималась векторным блоком — той частью чипа, которая выполняет параллельные вычисления. Она оптимизировала сумматоры и умножители, блоки преобразования данных и узлы специальных операций. Модель упрощала логические схемы и перераспределяла вычисления между этапами конвейера. В итоге разные операции стали использовать одни и те же аппаратные компоненты, а объём данных, временно хранящихся в памяти, сократился.
Цифры такие. Умножитель стал занимать на 15% меньше площади и выполняет операцию за один такт вместо двух. Сумматор тоже уменьшился на 15%, при этом его задержка осталась прежней — два такта. В сумме площадь стандартных ячеек векторного блока сократилась, по оценке, примерно на 13%, а матричного блока — на 10%.
Как это сработало с AMD
В сотрудничестве с AMD модели OpenAI предлагали правки в RTL-коде на SystemVerilog — это язык, на котором описывают цифровые схемы на аппаратном уровне. Модель смотрела не только на вычислительные блоки, но и на схемы управления и передачи данных.
Предложения ИИ не принимали на веру. Схемы проверяли инструментами Synopsys: они подтверждали, что после изменений блоки сохраняют исходное поведение, и помогали оценить компромиссы между энергопотреблением, производительностью и площадью кристалла. Часть правок AMD уже включила в один из проектов, отправленных на производство, остальные добавила в проектную документацию для будущих версий чипов. Кроме того, компания подтвердила прирост PPA на несколько процентов в ключевых блоках флагманских центральных процессоров следующего поколения, разработанных с помощью моделей OpenAI.
Тест на открытых ядрах RISC-V и оговорки
Чтобы сравнить поколения моделей, OpenAI взяла два открытых процессорных ядра архитектуры RISC-V: PicoRV32, рассчитанное на программируемые микросхемы, и Ibex, которое используется в OpenTitan. Задач было две: ускорить готовое ядро и спроектировать процессор заново по описанию требований. При сопоставимом объёме вычислений — около 112 тысяч токенов на запуск — лучший результат на обоих ядрах показала GPT-6.2 Astra, а GPT-6.1 Sol превзошла GPT-5.6 Sol. Всего провели 9881 испытание, и все пять моделей получили более высокие оценки при создании процессора с нуля, чем при улучшении существующей схемы.
У этого преимущества есть обратная сторона, о которой предупреждает сама OpenAI. При проектировании с нуля можно не включать функции исходного процессора, которые почти не влияют на результаты заданных тестов. Поэтому такие испытания не вполне отражают реальную разработку. Для строгой проверки нужны обязательные функции, более жёсткие ограничения на площадь чипа и проверка схемы после физического проектирования.
Что это значит на практике
Главный урок для тех, кто строит агентов: ИИ даёт результат там, где есть автоматическая проверка. Здесь её обеспечивали инструменты Synopsys, и связка «модель предлагает — проверяющий софт подтверждает» превращает идеи в изменения, пригодные для производства. То же работает и в обычной разработке: агента с тестами и линтерами можно подпускать к доводке готового кода гораздо смелее, чем без них.
Следующий шаг OpenAI делает вместе с Synopsys: компании разрабатывают модель GPT-Synopsys, которая сможет использовать средства автоматизированного проектирования и проверки схем так, как это делают опытные разработчики чипов.
Стоит помнить об ограничениях. Все цифры — оценки самой OpenAI, независимых замеров нет. Цифра 14% — это «до», а не среднее по всем блокам. Сравнение «год против пяти месяцев» — прикидка, а не контролируемый эксперимент. Но то, что часть правок ушла в проект, отправленный на производство, показывает: ИИ в проектировании чипов уже вышел за рамки демонстраций.
- 21 нояб. 2026 г.Математик Anthropic заявил: Claude помог за 6 недель доказать гипотезу Римана
- 21 нояб. 2026 г.Стартап Osmo обучил ИИ запахам на 10 млн оценок людей и генерирует ароматы по тексту
- 21 нояб. 2026 г.КНДР показала первый чатбот «Источник мудрости»: только наука, без политики
- 21 нояб. 2026 г.OpenAI открыла ChatGPT Spaces подписчикам Plus: совместные документы с ИИ
Вопросы и ответы по материалу
Что известно по теме: что именно сделал ИИ?
Работа началась в начале 2025 года над собственным ускорителем OpenAI под названием Jalapeño, тогда использовалась модель GPT-o3 mini. Нейросеть занималась векторным блоком — той частью чипа, которая выполняет параллельные вычисления. Она оптимизировала сумматоры и умножители, блоки преобразования данных и узлы специальных операций. Модель упрощала логические схемы и перераспределяла вычисления между этапами конвейера.
Что известно по теме: как это сработало с AMD?
В сотрудничестве с AMD модели OpenAI предлагали правки в RTL-коде на SystemVerilog — это язык, на котором описывают цифровые схемы на аппаратном уровне. Модель смотрела не только на вычислительные блоки, но и на схемы управления и передачи данных. Предложения ИИ не принимали на веру. Схемы проверяли инструментами Synopsys: они подтверждали, что после изменений блоки сохраняют исходное поведение, и помогали оценить компромиссы между энергопотреблением, производительностью и площадью кристалла.
Что известно по теме: тест на открытых ядрах RISC-V и оговорки?
Чтобы сравнить поколения моделей, OpenAI взяла два открытых процессорных ядра архитектуры RISC-V: PicoRV32, рассчитанное на программируемые микросхемы, и Ibex, которое используется в OpenTitan. Задач было две: ускорить готовое ядро и спроектировать процессор заново по описанию требований. При сопоставимом объёме вычислений — около 112 тысяч токенов на запуск — лучший результат на обоих ядрах показала GPT-6.2 Astra, а GPT-6.1 Sol превзошла GPT-5.6 Sol.
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.