Ir al contenido
AI.info

The Pulse

OpenAI dice que sus modelos mejoraron hasta un 14 % los diseños de GPU de AMD

OpenAI informa de que los cambios en circuitos escritos por modelos mejoraron la potencia, el rendimiento y el área de la propiedad intelectual de la GPU insignia de AMD. La empresa también detalló cambios en su chip Jalapeño y pruebas con dos núcleos de procesador de código abierto.

OpenAI dice que sus modelos mejoraron hasta un 14 % los diseños de GPU de AMD

Los modelos de OpenAI lograron una mejora de hasta un 14 % en potencia, rendimiento y área respecto a referencias de partida altamente optimizadas en la propiedad intelectual de la GPU insignia de AMD, afirma la empresa de IA. En una publicación del 18 de noviembre, OpenAI detalló los cambios en circuitos escritos por modelos y describió trabajos relacionados en su propio chip de inferencia Jalapeño.

Algunos cambios se han incluido en un diseño de AMD enviado a fabricación, mientras que otros se han añadido a archivos de diseño de producción para futuras versiones. La publicación también describió pruebas de versiones de dos núcleos de procesador de código abierto diseñadas por modelos.

Cambios en los circuitos de AMD

El modelo de OpenAI reescribió RTL en SystemVerilog, el código que describe los circuitos de un chip, para encontrar nuevas mejoras. El modelo utilizó herramientas de Synopsys para comprobar que cada bloque reescrito conservara su comportamiento y evaluar las compensaciones entre potencia, rendimiento y área.

OpenAI describió el trabajo con la GPU como aproximadamente un año de avances logrado en menos de cinco meses. Según la publicación, AMD también verificó mejoras porcentuales de un solo dígito en potencia, rendimiento y área en bloques clave de su próxima CPU insignia de próxima generación, mediante diseños escritos por modelos.

Cambios en el diseño de Jalapeño

OpenAI empezó a utilizar GPT-o3 mini para ayudar a diseñar Jalapeño a principios de 2025. El equipo calcula que los cambios propuestos por el modelo redujeron el área de las celdas estándar alrededor de un 13 % en la unidad vectorial, que se ocupa de tareas de computación paralela, y un 10 % en la unidad matricial, un componente aritmético.

La empresa afirma que las optimizaciones se validaron durante la puesta en marcha del silicio. Los cambios incluyeron implementaciones alternativas de la lógica, distintas formas de distribuir los cálculos entre las etapas de la canalización y oportunidades para compartir hardware y reducir el almacenamiento intermedio.

Según informó OpenAI, un rediseño del multiplicador de la unidad matricial utilizó alrededor de un 15 % menos de área de celda en la síntesis y redujo la latencia de dos ciclos de reloj a uno. Un rediseño independiente del sumador redujo el área de celda alrededor de un 15 % y mantuvo la latencia de dos ciclos; otros cambios en la lógica del producto escalar y la organización de la canalización aportaron ahorros adicionales en todo el bloque.

Pruebas con núcleos de código abierto

La empresa también probó sucesivas generaciones de modelos con dos núcleos RISC-V de 32 bits y de código abierto: PicoRV32 e Ibex. En una de las tareas, los modelos recibieron la descripción original del hardware y se les pidió que aumentaran el rendimiento, medido como una estimación de las instrucciones ejecutadas por segundo.

Los diseños recibían una puntuación de cero si no superaban una comprobación de simulación o utilizaban más de 16 veces el área del núcleo original. Los diseños que superaban la prueba se evaluaban con cargas de trabajo ocultas a los modelos, y las estimaciones de rendimiento se basaban en las instrucciones por ciclo de reloj y una frecuencia máxima de reloj estimada con Yosys.

OpenAI dijo que, con un presupuesto comparable de unos 112.000 tokens por ejecución, GPT-6.2 Astra obtuvo la puntuación media más alta en ambos núcleos. Para PicoRV32 y con ese presupuesto, su puntuación fue aproximadamente el doble que la de GPT-6 Astra.

En una segunda tarea, los modelos diseñaron núcleos a partir de requisitos escritos y plantillas que mostraban cómo se conectaba cada núcleo al resto del sistema. Con unos 112.000 tokens por ejecución, los cinco modelos obtuvieron puntuaciones más altas en ambos núcleos en esa tarea que al mejorar los diseños existentes. La evaluación incluyó 9.881 ejecuciones puntuadas en las dos tareas, los dos núcleos y todos los presupuestos de tokens.

La empresa advirtió que partir de requisitos escritos permitía a los modelos omitir funciones de los núcleos originales, como los contadores de rendimiento y las instrucciones adicionales, lo que podría explicar parte de la ventaja. Según OpenAI, exigir esas funciones, imponer un límite de área más estricto y comprobar la temporización tras la síntesis física haría que la prueba representara mejor el diseño de chips para producción.

Trabajo con Synopsys

OpenAI también está trabajando con Synopsys para entrenar GPT-Synopsys, un nuevo modelo pensado para utilizar las herramientas de automatización del diseño electrónico de la empresa como lo hacen los diseñadores expertos de chips. Los ingenieros utilizan estas herramientas para diseñar y verificar chips.

Fuentes

  1. Fuente original OpenAI openai.com

Empresas en esta noticia

Noticias relacionadas

Explora

Más artículos