The Pulse
OpenAI afferma che i suoi modelli hanno migliorato fino al 14% i progetti di GPU di AMD
OpenAI riferisce che modifiche circuitali generate dai modelli hanno migliorato potenza, prestazioni e area nei blocchi IP della GPU di punta di AMD. L’azienda ha inoltre descritto le modifiche al proprio chip di inferenza Jalapeño e i test condotti su due core di processore open source.

I modelli di OpenAI hanno ottenuto un miglioramento fino al 14% in termini di potenza, prestazioni e area rispetto a baseline fortemente ottimizzate nei blocchi IP della GPU di punta di AMD, afferma l’azienda di IA. In un post del 18 novembre, OpenAI ha descritto le modifiche circuitali generate dai modelli e il lavoro correlato sul proprio chip di inferenza Jalapeño.
Alcune modifiche sono state incluse in un progetto AMD inviato alla produzione, mentre altre sono state aggiunte ai file di progettazione di produzione per versioni future. Il post ha descritto anche test su versioni di due core di processore open source progettate dai modelli.
Modifiche ai circuiti AMD
Il modello di OpenAI ha riscritto RTL SystemVerilog, il codice che descrive i circuiti di un chip, per individuare ulteriori miglioramenti. Ha utilizzato strumenti Synopsys per verificare che ogni blocco riscritto mantenesse il proprio comportamento e per valutare i compromessi in termini di potenza, prestazioni e area.
OpenAI ha descritto il lavoro sulla GPU come circa un anno di progressi ottenuti in meno di cinque mesi. Secondo il post, AMD ha inoltre verificato miglioramenti percentuali a una cifra in termini di potenza, prestazioni e area in blocchi chiave della sua futura CPU di punta di prossima generazione, con progetti generati dai modelli.
Modifiche al progetto Jalapeño
OpenAI ha iniziato a usare GPT-o3 mini per contribuire alla progettazione di Jalapeño all’inizio del 2025. Il team stima che le modifiche proposte dal modello abbiano ridotto di circa il 13% l’area delle celle standard nell’unità vettoriale, che gestisce attività di calcolo parallelo, e del 10% quella dell’unità matriciale, un componente aritmetico.
L’azienda afferma che le ottimizzazioni sono state convalidate durante la fase di bring-up del silicio. Le modifiche comprendevano implementazioni logiche alternative, diversi modi di suddividere i calcoli tra gli stadi della pipeline e possibilità di condividere l’hardware e ridurre l’archiviazione intermedia.
Secondo OpenAI, la riprogettazione di un moltiplicatore dell’unità matriciale ha utilizzato circa il 15% in meno di area delle celle in fase di sintesi, riducendo al contempo la latenza da due cicli di clock a uno. Una riprogettazione separata di un sommatore ha ridotto l’area delle celle di circa il 15%, mantenendo la latenza di due cicli; ulteriori modifiche alla logica del prodotto scalare e all’organizzazione della pipeline hanno contribuito a ulteriori risparmi nell’intero blocco.
Test sui core open source
L’azienda ha inoltre testato generazioni successive di modelli su due core RISC-V open source a 32 bit: PicoRV32 e Ibex. In uno dei compiti, ai modelli è stata fornita la descrizione originale dell’hardware ed è stato chiesto loro di aumentare il throughput, misurato come stima delle istruzioni eseguite al secondo.
Ai progetti veniva assegnato un punteggio pari a zero se non superavano un controllo di simulazione o se utilizzavano un’area superiore a 16 volte quella del core originale. I progetti che superavano il controllo venivano valutati su carichi di lavoro nascosti ai modelli, con stime del throughput basate sulle istruzioni per ciclo di clock e su una frequenza di clock massima stimata con Yosys.
Con un budget comparabile di circa 112.000 token per esecuzione, GPT-6.2 Astra ha ottenuto il punteggio medio più alto su entrambi i core, ha dichiarato OpenAI. Per PicoRV32 e con quel budget, il suo punteggio era circa il doppio di quello di GPT-6 Astra.
In un secondo compito, i modelli hanno progettato core a partire da requisiti scritti e da modelli che mostravano come ciascun core fosse collegato al resto del sistema. Con circa 112.000 token per esecuzione, tutti e cinque i modelli hanno ottenuto punteggi più alti su entrambi i core in questo compito rispetto a quando dovevano migliorare i progetti esistenti. La valutazione ha incluso 9.881 esecuzioni con punteggio, considerando i due compiti, entrambi i core e tutti i budget di token.
L’azienda ha avvertito che partire da requisiti scritti consentiva ai modelli di omettere funzionalità presenti nei core originali, tra cui i contatori delle prestazioni e istruzioni aggiuntive, il che potrebbe spiegare parte del vantaggio. Ha affermato che imporre il mantenimento di tali funzionalità, un limite più stringente all’area e una verifica dei tempi dopo la sintesi fisica renderebbe il test più rappresentativo della progettazione di chip destinati alla produzione.
Collaborazione con Synopsys
OpenAI sta inoltre collaborando con Synopsys per addestrare GPT-Synopsys, un nuovo modello progettato per usare gli strumenti di automazione della progettazione elettronica dell’azienda come farebbero progettisti esperti di chip. Gli ingegneri usano questi strumenti per progettare e verificare i chip.
Fonte
Aziende in questa notizia
Notizie correlate
- LlamaParse integra due modelli OCRia-1.5 per il parsing dei documenti
- Microsoft lancia sette modelli di IA a Ignite
- OpenAI afferma che gli agenti hanno completato il 46% delle attività delegate che richiedevano da due a quattro ore
- AMD riferisce kernel di raccordo per l’inferenza più veloci grazie alle configurazioni fissate di AITER
- AMD segnala il riutilizzo della cache dei token in un benchmark di agenti di programmazione