OpenAI опубликовала подробный отчёт о применении собственных моделей искусственного интеллекта на этапе проектирования полупроводниковых устройств. Компания продемонстрировала, что нейросетевые модели способны не только генерировать альтернативные варианты цифровых схем, но и вносить точечные оптимизации в уже отлаженные блоки процессоров, сокращая их площадь, энергопотребление и задержку. Результаты проверены на собственном ускорителе OpenAI Jalapeño, на чипах AMD, а также на двух открытых процессорных ядрах с архитектурой RISC-V. По оценке самой компании, объём оптимизационной работы, который при традиционном подходе занял бы у команды инженеров около года, нейросеть выполнила менее чем за пять месяцев.

Jalapeño: оптимизация векторного и матричного блоков

Разработка ускорителя Jalapeño началась в начале 2025 года, и на начальном этапе для работы со схемами использовалась модель GPT-o3 mini. В векторном блоке, отвечающем за параллельные вычисления, нейросеть оптимизировала сумматоры, умножители, блоки преобразования данных и узлы специальных операций. Модель перераспределила вычисления между этапами конвейера так, что для различных операций стали использоваться одни и те же аппаратные компоненты, а объёмы данных, временно хранящихся в памяти, сократились. Конкретные цифры: переработанный умножитель занял на 15 % меньше площади, а время выполнения операции сократилось с двух тактов до одного; площадь сумматора также уменьшилась на 15 % при сохранении задержки в два такта. В совокупности оптимизации сократили площадь стандартных ячеек векторного блока примерно на 13 %, а матричного — на 10 %.

Совместная работа с AMD: прирост PPA до 14 %

В рамках сотрудничества с AMD модели OpenAI улучшили характеристики ключевых блоков флагманского графического процессора компании по трём направлениям — энергопотреблению, производительности и площади (PPA). По данным OpenAI, совокупный прирост PPA составил до 14 % относительно уже тщательно оптимизированных исходных проектов. Нейросеть предлагала изменения непосредственно в RTL-коде на языке SystemVerilog, анализируя не только вычислительные блоки, но и схемы управления и передачи данных. Часть предложенных изменений AMD уже включила в проект, отправленный на производство, остальные добавлены в проектную документацию для будущих версий чипов. Компания также подтвердила прирост PPA на несколько процентов в ключевых блоках флагманских центральных процессоров следующего поколения. Проверка корректности модифицированных схем проводилась с использованием инструментов Synopsys, что позволило убедиться в сохранении исходного поведения блоков и оценить компромиссы между энергопотреблением, производительностью и площадью кристалла.

Сопоставление поколений: GPT-6.2 Astra против GPT-5.6 Sol

Для объективной оценки прогресса между поколениями моделей OpenAI провела испытания на двух открытых процессорных ядрах RISC-V: PicoRV32, рассчитанном на программируемые микросхемы, и Ibex, применяемом в проекте OpenTitan. Задача состояла в повышении производительности готовых ядер, а затем в проектировании процессора заново по описанию требований. Объём вычислений на один запуск составлял около 112 тыс. токенов. Лучший результат на обоих ядрах показала GPT-6.2 Astra, при этом GPT-6.1 Sol превзошла GPT-5.6 Sol. При проектировании процессора с нуля все пять протестированных моделей показали более высокие оценки, чем при попытках улучшить уже существующую схему, поскольку в новую архитектуру можно не включать функции, которые почти не влияют на результаты тестов. Всего в рамках исследования было проведено 9 881 испытание.

Ограничения методологии и планы по GPT-Synopsys

OpenAI подчёркивает, что испытания на открытых ядрах не в полной мере отражают реальные условия промышленной разработки: при строгой проверке необходимо учитывать обязательные функции, налагать более жёсткие ограничения на площадь чипа и проводить верификацию после физического проектирования. Тем не менее компания рассматривает полученные данные как индикатор направления развития. Следующим шагом станет углублённое сотрудничество с Synopsys: две компании разрабатывают специализированную модель GPT-Synopsys, которая сможет использовать средства автоматизированного проектирования и проверки схем так, как это делают опытные разработчики чипов, замыкая цикл от генерации RTL-кода до физической верификации.