The Pulse
OpenAI diz que seus modelos melhoraram em até 14% os projetos de GPUs da AMD
A OpenAI informa que mudanças em circuitos escritas por modelos melhoraram potência, desempenho e área na propriedade intelectual de GPU de ponta da AMD. A empresa também detalhou mudanças em seu chip Jalapeño e testes em dois núcleos de processador open source.

Os modelos da OpenAI melhoraram em até 14% a potência, o desempenho e a área em relação a projetos de referência altamente otimizados da propriedade intelectual de GPU de ponta da AMD, afirma a empresa de IA. Em uma publicação de 18 de novembro, a OpenAI detalhou as mudanças em circuitos escritas pelos modelos e descreveu trabalhos relacionados em seu próprio chip de inferência Jalapeño.
Algumas mudanças foram incluídas em um projeto da AMD enviado para fabricação, enquanto outras foram incorporadas a arquivos de projeto de produção para versões futuras. A publicação também descreveu testes de versões projetadas por modelos de dois núcleos de processador open source.
Mudanças nos circuitos da AMD
O modelo da OpenAI reescreveu o SystemVerilog RTL, o código que descreve os circuitos de um chip, para encontrar melhorias adicionais. O modelo usou ferramentas da Synopsys para verificar se cada bloco reescrito mantinha seu comportamento e avaliar as compensações entre potência, desempenho e área.
A OpenAI caracterizou o trabalho com a GPU como cerca de um ano de progresso alcançado em menos de cinco meses. A AMD também verificou ganhos percentuais de um dígito em potência, desempenho e área em blocos importantes de sua principal CPU de próxima geração, ainda por lançar, usando projetos escritos por modelos, segundo a publicação.
Mudanças no projeto do Jalapeño
A OpenAI começou a usar o GPT-o3 mini para ajudar a projetar o Jalapeño no início de 2025. A equipe estima que mudanças propostas pelo modelo reduziram a área de células padrão em cerca de 13% na unidade vetorial, que executa tarefas de computação paralela, e em 10% na unidade matricial, um componente aritmético.
A empresa afirma que as otimizações foram comprovadas durante o bring-up do silício. As mudanças incluíram implementações lógicas alternativas, diferentes maneiras de dividir os cálculos entre estágios do pipeline e oportunidades de compartilhar hardware e reduzir o armazenamento intermediário.
Um redesenho do multiplicador da unidade matricial usou cerca de 15% menos área de células na síntese e reduziu a latência de dois ciclos de clock para um, informou a OpenAI. Um redesenho separado do somador reduziu a área de células em cerca de 15%, mantendo a latência de dois ciclos; mudanças adicionais na lógica de produto escalar e na organização do pipeline contribuíram para outras economias em todo o bloco.
Testes em núcleos open source
A empresa também testou gerações sucessivas de modelos em dois núcleos RISC-V open source de 32 bits: PicoRV32 e Ibex. Em uma das tarefas, os modelos receberam a descrição original do hardware e foram instruídos a aumentar a taxa de transferência, medida como uma estimativa do número de instruções executadas por segundo.
Os projetos recebiam nota zero se não passassem em uma verificação de simulação ou usassem mais de 16 vezes a área do núcleo original. Os projetos aprovados eram medidos em cargas de trabalho ocultas para os modelos, com estimativas da taxa de transferência baseadas em instruções por ciclo de clock e em uma frequência máxima de clock estimada com o Yosys.
Com um orçamento comparável de cerca de 112.000 tokens por execução, o GPT-6.2 Astra teve a maior pontuação média nos dois núcleos, informou a OpenAI. Para o PicoRV32, com esse orçamento, sua pontuação foi cerca de duas vezes maior que a do GPT-6 Astra.
Em uma segunda tarefa, os modelos projetaram núcleos com base em requisitos escritos e modelos que mostravam como cada núcleo se conectava ao restante do sistema. Com cerca de 112.000 tokens por execução, os cinco modelos tiveram pontuações mais altas nos dois núcleos nessa tarefa do que ao aprimorar os projetos existentes. A avaliação incluiu 9.881 execuções pontuadas nas duas tarefas, nos dois núcleos e em todos os orçamentos de tokens.
A empresa alertou que começar com requisitos escritos permitiu que os modelos omitissem recursos dos núcleos originais, incluindo contadores de desempenho e instruções adicionais, o que poderia explicar parte da vantagem. Segundo a OpenAI, exigir esses recursos, impor um limite de área mais rigoroso e verificar o timing após a síntese física tornaria o teste mais representativo do projeto de chips para produção.
Trabalho com a Synopsys
A OpenAI também está trabalhando com a Synopsys para treinar o GPT-Synopsys, um novo modelo destinado a usar as ferramentas de automação de projeto eletrônico da empresa como fazem projetistas especializados de chips. Engenheiros usam essas ferramentas para projetar e verificar chips.
Fontes
- Fonte original OpenAI openai.com
Empresas nesta notícia
Notícias relacionadas
- Clientes da AWS já podem implantar o modelo de diálogo por voz da PolyAI pelo SageMaker JumpStart
- Unsloth Desktop adiciona inferência local em PCs Ryzen AI com NPUs AMD XDNA 2
- vLLM detalha MonoKernels FlyDSL opcionais para decodificação mais rápida em GPUs AMD
- OpenAI afirma que agentes concluíram 46% das tarefas delegadas que exigiam de duas a quatro horas
- Agente de pesquisa da OpenAI escreveu scripts para incluir um destinatário em cópia sem permissão