14%收益提升!OpenAI用AI造芯,5个月完成人工1年工作量,Astra领跑
(来源:智东西)
智东西
编译 程茜
编辑 李水青
智东西11月19日消息,刚刚,OpenAI宣布,其模型在不到五个月内,将AMD旗舰级GPU IP的PPA(芯片设计核心指标)提升高达14%,这是此前人类工程师约一整年的研发工作量。
OpenAI的研究证明,在RISC-V评估任务中,模型能够探索全新处理器架构;并且在Jalapeño、AMD下一代旗舰GPU与CPU这类成熟量产设计的基础上,实现增量优化。
OpenAI首个自研推理芯片Jalapeño基于模型提出的修改方案,将向量单元的标准单元面积缩减约13%,矩阵单元缩减约10%。OpenAI称,这些优化效果已经在Jalapeño的芯片流片调试阶段得到验证。
为衡量其模型在端到端芯片设计任务中的能力,OpenAI针对两款开源处理器设计,对多代模型依次开展评估,结果显示GPT-6.2 Astra、GPT-6 Astra、GPT-6.1 Sol、GPT-5.6 Sol、GPT-5.5全部五款模型基于书面需求从零设计处理器核时的得分,均高于对已有设计做优化的得分。
同时,为让能力迭代建立在可信评估体系之上,OpenAI正与新思科技合作,将前沿智能能力接入工程师当下用于芯片设计与验证的EDA工具链。
一、早在GPT‑4o时代就参与芯片设计,OpenAI披露AI辅助芯片设计优化路径
2025年初,GPT‑4o就已被用来协助设计OpenAI的自研推理芯片Jalapeño。这个早期版本模型已实现多项可观的PPA优化。
向量单元负责调度与执行并行计算任务,该模块的优化收益来自浮点加法器、乘法器、转换电路、归约逻辑以及特殊函数单元。模型探索了多种逻辑实现方案,同时研究如何将计算任务拆分到不同流水线级,找到了硬件复用、削减中间存储开销的优化空间。
矩阵单元为运算组件,其优化收益来自浮点加法器、乘法器以及低精度点积电路等多处改进。其中一款乘法器经过重新设计,综合后的单元面积缩减约15%,同时将延迟从两个时钟周期降至一个时钟周期;另一款加法器改版同样实现约15%的单元面积优化,且保持两周期延迟不变。对点积逻辑与流水线结构的进一步优化,让该模块获得了更多收益。
OpenAI与AMD合作开展了PPA优化工作,针对旗舰GPU IP,在原本已经深度优化的基准版本之上,最高实现14%的收益提升。
OpenAI称,模型通过重写描述芯片电路的代码挖掘出更多优化空间。这相当于在不到5个月的时间里完成了原本约一整年的研发工作量。AMD已经将部分优化变更应用到近期送厂流片的设计中,还有一部分优化方案纳入量产设计文件,用于后续迭代版本。
研究人员观察到,该模型能够达到资深微架构师的水准,对RTL代码进行推理分析。模型可以重写负责运算、控制操作以及数据搬运的电路。其借助新思科技工具验证每一处改写都不会改变模块原有功能,并评估功耗、性能与面积之间的取舍。
AMD的验证显示,采用OpenAI模型生成的设计,其下一代旗舰CPU的多个核心模块,PPA实现了数个百分点的提升。
二、GPT‑6.2 Astra领跑RISC-V核吞吐优化测试
OpenAI在Jalapeño以及AMD芯片上取得的结果证明,模型能够对量产级设计做出优化。
为衡量各代模型在芯片设计能力上的迭代进展,OpenAI使用两款开源32位RISC-V核开展测试:PicoRV32是面向FPGA这类可重编程芯片的精简核,OpenTitan在其安全芯片中采用Ibex作为嵌入式处理器。二者都是面向嵌入式、微控制器类负载的完整处理器核。
研究人员向每一代模型提供各处理器核原始硬件描述代码,要求它提升吞吐率。也就是说,某一项改动可能让一条指令所需的时钟周期变少,但单个时钟周期的时长会增加;吞吐率指标可以同时衡量这两种变化带来的综合效果。
其通过仿真核验每版设计的输出结果。如果设计未通过校验,或是占用面积超过原始核的16倍计为0分,对于校验通过的设计,其采用模型未曾见过的测试负载,测量其每时钟周期指令数(IPC)。取这些负载结果的几何平均值,再乘以Yosys估算得到的最高时钟频率,以此得到每秒指令数的估算值。
针对每一款处理器核,他们把相同约束条件下观测到的最优吞吐率定为基准1.0。
在单次调用约11.2万token的同等资源开销下,GPT‑6.2 Astra在两款处理器核上的平均分均为最高,GPT‑6.1 Sol在两款核上的得分都高于GPT‑5.6 Sol。
第二项任务中,研究人员向模型提供书面需求以及开源代码里的模板,这些模板定义了处理器核与系统其他部分的连接方式,由模型自主选择数据在核内的流转路径,以及如何将工作拆分为多级流水线。
针对两款处理器核,正确性校验、存储与缓存配置、吞吐率目标均和前面的RTL优化任务保持一致。
在单次约11.2万token的开销下,全部五款模型基于书面需求从零设计处理器核时的得分,均高于对已有设计做优化的得分,该结论在PicoRV32与Ibex两款核上均成立。
GPT‑6.2 Astra在Ibex上的提升幅度大于PicoRV32。整套评估一共完成9881次有效打分跑测,覆盖两项任务、两款处理器核以及全部token资源配置。
基于书面需求从头设计,模型可以选择省去原始核中自带的一些功能,例如性能计数器和扩展指令。这类特性对本次测试负载下的吞吐率提升贡献有限,这也可以部分解释该任务得分更高的原因。
OpenAI称,如果强制要求保留这些功能、设置更严苛的电路面积约束,并在物理综合后做时序检查,这套测试会更贴近真实量产芯片设计场景。
结语:AI打开芯片设计新战场
从OpenAI的研究成果可以看出,在芯片设计领域,AI已经具备在成熟量产设计上挖掘增量收益、基于规格自主探索微架构空间的能力。
这或许会催生成未来芯片竞争的新战场,芯片厂商不仅要关注芯片制程、封装和架构本身,还需要关注如何用AI提升效率,从而更快完成PPA收敛、压缩研发周期。
来源:OpenAI