OpenAI hat einen detaillierten Bericht über den Einsatz eigener Künstliche-Intelligenz-Modelle in der Halbleiterentwurfsphase veröffentlicht. Das Unternehmen zeigte, dass neuronale Netzmodelle nicht nur in der Lage sind, alternative digitale Schaltungsentwürfe zu generieren, sondern auch gezielte Optimierungen an bereits abgestimmten Prozessblöcken vorzunehmen, wodurch deren Fläche, Leistungsaufnahme und Latenz reduziert werden. Die Ergebnisse wurden am eigenen OpenAI-Beschleuniger Jalapeño, an AMD-Chips sowie an zwei Open-Source-RISC-V-Prozessorkernen verifiziert. Nach Einschätzung des Unternehmens erledigte das neuronale Netz die Optimierungsarbeit, die bei einem herkömmlichen Ansatz ein Ingenieursteam etwa ein Jahr gekostet hätte, in weniger als fünf Monaten.

Jalapeño: Optimierung von Vektor- und Matrixblöcken

Die Entwicklung des Jalapeño-Beschleunigers begann Anfang 2025, und in der Anfangsphase wurde das Modell GPT-o3 mini für die Arbeit mit den Schaltungen eingesetzt. Im Vektorblock, der für paralleles Rechnen zuständig ist, optimierte das neuronale Netz Addierer, Multiplizierer, Datenumwandlungsblöcke und Spezialoperationsknoten. Das Modell verteilte die Berechnungen so auf die Pipeline-Stufen, dass dieselben Hardwarekomponenten für verschiedene Operationen genutzt wurden und die im Speicher temporär abgelegten Datenmengen reduziert wurden. Konkrete Zahlen: Der überarbeitete Multiplizierer nahm 15 % weniger Fläche ein, und die Ausführungszeit sank von zwei Taktzyklen auf einen; die Fläche des Addierers verringerte sich ebenfalls um 15 % bei gleichbleibender Latenz von zwei Zyklen. Zusammen reduzierten diese Optimierungen die Standardzellenfläche des Vektorblocks um etwa 13 % und die des Matrixblocks um 10 %.

Zusammenarbeit mit AMD: PPA-Steigerung von bis zu 14 %

Im Rahmen der Partnerschaft mit AMD verbesserten die OpenAI-Modelle die Merkmale von Schlüsselblöcken des Flaggschiff-GPUs des Unternehmens in drei Bereichen: Leistung, Performance und Fläche (PPA). Laut OpenAI lag der kumulierte PPA-Zuwachs bei bis zu 14 % im Vergleich zu ohnehin sorgfältig optimierten Basisentwürfen. Das neuronale Netz schlug Änderungen direkt im SystemVerilog-RTL-Code vor und analysierte dabei nicht nur die Rechenblöcke, sondern auch Steuerungs- und Datenübertragungsschaltungen. AMD hat einige der vorgeschlagenen Änderungen bereits in einen für die Produktion bestimmten Entwurf übernommen, während andere in die Projektdokumentation für zukünftige Chip-Versionen aufgenommen wurden. Das Unternehmen bestätigte zudem einen PPA-Zuwachs im niedrigen einstelligen Prozentbereich in Schlüsselblöcken von CPUs der nächsten Generation. Die Korrektheit der modifizierten Schaltungen wurde mit Synopsys-Werkzeugen überprüft, um sicherzustellen, dass das ursprüngliche Verhalten der Blöcke erhalten blieb, und um Kompromisse zwischen Leistungsaufnahme, Performance und Chipfläche zu bewerten.

Generationsvergleich: GPT-6.2 Astra gegen GPT-5.6 Sol

Zur objektiven Bewertung des Fortschritts zwischen Modellgenerationen führte OpenAI Tests an zwei Open-Source-RISC-V-Prozessorkernen durch: PicoRV32 für programmierbare Logikbausteine und Ibex, das im OpenTitan-Projekt eingesetzt wird. Die Aufgabe bestand darin, die Leistung bestehender Kerne zu steigern und anschließend einen Prozessor anhand einer Anforderungsspezifikation von Grund auf neu zu entwerfen. Das Rechenvolumen pro Durchlauf betrug etwa 112.000 Token. Das beste Ergebnis auf beiden Kernen erzielte GPT-6.2 Astra, wobei GPT-6.1 Sol besser abschnitt als GPT-5.6 Sol. Beim Entwurf eines Prozessors von Grund auf erzielten alle fünf getesteten Modelle höhere Bewertungen als bei dem Versuch, ein bereits vorhandenes Layout zu verbessern, da eine neue Architektur Funktionen weglassen kann, die kaum Einfluss auf die Benchmark-Ergebnisse haben. Insgesamt wurden im Rahmen der Studie 9.881 Tests durchgeführt.

Methodische Grenzen und Pläne für GPT-Synopsys

OpenAI betont, dass Tests an Open-Source-Kernen die realen Bedingungen der industriellen Entwicklung nicht vollständig widerspiegeln: Bei einer strengen Verifizierung müssen obligatorische Funktionen berücksichtigt, strengere Beschränkungen der Chipfläche auferlegt und Verifizierungen nach dem physischen Design durchgeführt werden. Dennoch betrachtet das Unternehmen die Daten als Indikator für die zukünftige Richtung. Der nächste Schritt wird eine vertiefte Zusammenarbeit mit Synopsys sein: Die beiden Unternehmen entwickeln ein spezialisiertes GPT-Synopsys-Modell, das Werkzeuge zur elektronischen Designautomatisierung (EDA) und Verifizierung so nutzen kann wie erfahrene Chip-Entwickler, wodurch der Kreislauf von der RTL-Code-Generierung bis zur physischen Verifizierung geschlossen wird.