用AI重新设计芯片,OpenAI披露三大突破

文章配图-1

当地时间2026年11月18日,人工智能技术大厂OpenAI在官网发布技术报告《Advancing chip design with OpenAI models》,系统披露了其前沿AI模型在芯片设计领域的最新应用成果。

报告显示,OpenAI的AI模型不仅参与了其首款定制推理芯片Jalapeño的设计优化,而且已经开始帮助AMD改进旗舰GPU和下一代旗舰CPU的关键电路设计。其中,在AMD旗舰GPU IP的优化中,OpenAI模型相较于已经高度优化的基准设计,实现了最高14%的PPA(功耗、性能和面积)综合改善。AMD已经将部分优化方案纳入近期送交制造的芯片设计,其他方案则被加入生产设计文件,供未来产品使用。

与此同时,OpenAI还公布了基于两款开源RISC-V处理器的模型能力评测结果。在约11.2万Token的可比预算下,最新的GPT-6.2 Astra在两款处理器的RTL优化和从规格设计处理器两项任务中,均取得了最高平均得分。

从自研芯片优化,到帮助AMD改进商业GPU,再到与EDA巨头新思科技(Synopsys)合作开发专业芯片设计模型,OpenAI正在尝试将AI的应用边界从软件编程进一步拓展至半导体设计的核心环节。

Jalapeño:AI参与优化的OpenAI首款定制推理芯片

Jalapeño是OpenAI推出的首款定制AI推理芯片,由OpenAI与博通(Broadcom)合作开发,旨在针对大语言模型推理工作负载进行专门优化。

2026年6月24日,OpenAI与博通正式公布了Jalapeño。OpenAI表示,该芯片从设计到生产仅用了9个月,AI模型在整个开发过程中发挥了重要作用。博通则提供了芯片实现和网络技术支持,包括Tomahawk网络芯片技术。

在此次发布的技术报告中,OpenAI进一步披露了AI模型参与Jalapeño设计优化的具体细节。

OpenAI表示,工程师从2025年初开始使用GPT-4o辅助Jalapeño的设计工作。即使是当时相对早期的模型,也已经能够识别出芯片微架构中具有实际价值的优化空间。

在向量单元(Vector Unit)中,该单元负责管理和执行并行计算任务。GPT-4o通过分析浮点加法器、乘法器、数据转换函数、归约逻辑以及特殊功能单元等电路,探索不同的逻辑实现方式和流水线划分方案,从而发现了硬件资源复用和减少中间数据存储的机会。

在矩阵单元(Matrix Unit)中,模型则针对浮点加法器、乘法器以及低精度点积电路进行了优化。

其中,一项乘法器重新设计尤其值得关注:通过调整电路实现方式,该模块在综合后的标准单元面积减少约15%的同时,将运算延迟从两个时钟周期缩短至一个时钟周期。

另一项加法器重新设计也将标准单元面积减少了约15%,同时保持原有的两个时钟周期延迟。此外,模型还通过优化点积逻辑和流水线组织方式,进一步降低了矩阵单元的整体面积。

综合整个设计优化过程,OpenAI估算,模型提出的修改使Jalapeño向量单元的标准单元面积减少约13%,矩阵单元减少约10%。

更重要的是,这些成果并非仅停留在RTL代码优化或仿真阶段。OpenAI明确表示,相关优化已经在Jalapeño的硅片调试(Silicon Bring-up)过程中得到验证。

这意味着,AI模型提出的部分电路优化方案已经经受了真实硅片的验证,而不只是EDA工具中的理论估算。

AMD旗舰GPU:不到五个月实现约一年的设计优化进展

如果说Jalapeño展示了AI模型在OpenAI自有芯片设计中的应用,那么与AMD的合作,则进一步体现了AI参与成熟商业芯片优化的潜力。

OpenAI在报告中透露,其模型已经帮助AMD优化旗舰GPU的关键IP设计。相较于AMD工程师此前已经经过多年优化的基准设计,相关方案实现了最高14%的PPA综合改善。

这里的PPA分别代表功耗(Power)、性能(Performance)和面积(Area),是衡量芯片电路设计质量的三个核心指标。由于三者之间存在复杂的权衡关系,因此14%代表的是综合优化成果,并不意味着功耗、性能和面积三个指标分别提升14%。

在具体技术实现上,OpenAI的模型主要通过重写描述芯片电路的SystemVerilog RTL代码,寻找进一步优化空间。

SystemVerilog是现代数字芯片设计中广泛使用的硬件描述语言,工程师通过RTL(寄存器传输级)代码描述电路的逻辑功能、数据流和时序关系,再通过综合、布局布线等EDA流程,将其转化为最终的物理电路。

OpenAI表示,其模型已经能够以接近专家级微架构师的水平分析和推理RTL代码,并重写负责计算、控制操作及数据搬运的电路。

在这一过程中,模型并不是简单地生成一段新的RTL代码就结束工作,而是利用新思科技的EDA工具,对每一处修改进行验证,确保优化后的电路仍然保持原有功能,同时评估不同修改对功耗、性能和面积的影响。

OpenAI将这一成果形容为:在不到五个月的时间内,完成了大约一年的芯片设计优化进展。

更值得关注的是,这些优化已经开始进入AMD的实际产品开发流程。

OpenAI透露,AMD已经将部分优化方案纳入近期送交制造的芯片设计中,其他修改则被加入生产设计文件,供未来版本使用。

此外,OpenAI还透露,其模型参与了AMD下一代旗舰CPU关键模块的设计优化,并且AMD已经验证了个位数百分比的PPA改善。

这表明,AI模型的应用范围已经不再局限于GPU,也正在向CPU等其他复杂处理器的微架构设计环节延伸。

当然,需要注意的是,目前OpenAI尚未披露具体涉及AMD哪一款GPU和CPU、采用何种工艺节点,以及14% PPA改善在功耗、性能和面积三个维度上的具体分布。因此,这一数据应理解为特定IP设计相对于高度优化基准的最高综合改善幅度,而不能直接等同于AMD下一代GPU整颗芯片的性能提升幅度。

同时,AMD部分优化方案进入送制造设计,也不代表相关芯片已经完成量产并经过最终硅片性能验证。

但无论如何,AI模型能够在AMD已经经过多年优化的商业芯片设计基础上,继续找到具有实际价值的优化空间,已经具有重要的产业意义。

RISC-V测试:GPT-6.2 Astra在两类设计任务中领先

为了更加系统地评估不同代际AI模型在芯片设计领域的能力变化,OpenAI还开展了基于两款开源32位RISC-V处理器内核的测试。这两款处理器分别是PicoRV32和Ibex。

PicoRV32是一款为被称为FPGA的可重编程芯片设计的紧凑型内核。OpenTitan在其安全芯片中使用Ibex作为嵌入式处理器。两者都是用于嵌入式、微控制器级工作负载的完整处理器内核。

OpenAI设计了两类测试任务:

第一类是现有RTL设计优化,即向模型提供处理器原始硬件描述代码,要求其在保持功能正确的前提下,提高处理器吞吐量,也就是单位时间内能够执行的指令数量。

例如,模型可以尝试通过调整流水线结构,使处理器在更少的时钟周期内完成一条指令,但同时也可能导致单个时钟周期变长。因此,评价重点不能只看执行指令所需的周期数,还需要综合考虑时钟频率。

第二类则是从规格设计处理器内核,即不给模型现成的RTL实现,而是提供书面设计要求及相应的系统连接模板,让模型自行决定处理器的数据流组织方式和流水线划分,并从头生成处理器设计。

在评估方法上,OpenAI首先通过仿真检查设计的功能正确性。未能通过检查,或者面积超过原始处理器内核16倍的设计,均直接记为零分。对于通过检查的设计,OpenAI使用隐藏工作负载测试其每时钟周期执行的指令数(IPC),再结合Yosys估算的最高时钟频率,计算每秒指令执行能力,并将不同设计的表现归一化为得分。

整个测试覆盖五款不同代际的模型、两款处理器、两类设计任务以及不同Token预算,共计进行了9881次计分运行。

测试结果显示,在每次运行约11.2万Token的可比预算下,GPT-6.2 Astra在PicoRV32和Ibex两款处理器的两类任务中,均取得了最高的平均得分。

文章配图-1

在现有PicoRV32处理器的RTL优化任务中,GPT-6.2 Astra的平均得分约为GPT-6 Astra的两倍。

文章配图-1

在Ibex处理器的优化任务中,GPT-6.2 Astra的平均得分也随着Token预算增加而持续提高。GPT-6 Astra和GPT-6.1 Sol更接近。

此外,GPT-6.1 Sol在两款处理器上的得分也均超过了GPT-5.6 Sol,体现出模型代际迭代带来的芯片设计能力提升。

另一个值得关注的现象是,五款模型在从书面规格设计处理器的任务中,得分均高于优化现有RTL设计的任务。

文章配图-1

从PicoRV32规格开始,GPT-6.2 Astra在112000个代币附近的平均得分为0.7,在接下来的两个观察预算中得分更高。

文章配图-1

在Ibex上,从规范设计时,GPT-6.2 Astra平均约为0.75,接近112000个代币。在更大的共享预算下,其曲线保持在其他曲线之上。

对此,OpenAI解释称,从规格设计处理器时,模型拥有更大的架构设计自由度,可以省略原有处理器中的一些功能,例如性能计数器或额外指令等,而这些功能对本次测试中的吞吐量目标帮助有限。

相比之下,优化现有处理器时,模型需要在保留原有功能和设计约束的前提下寻找优化空间,难度更高。

OpenAI也承认,目前的测试条件与真正的商业芯片设计仍存在差距。例如,16倍的面积限制相对宽松,测试主要使用仿真和Yosys估算时钟频率,并未在完整物理综合后进行时序检查。如果进一步要求模型保留原有处理器的全部功能、施加更严格的面积约束,并在物理综合后检查时序,测试结果将更接近真实的量产芯片设计场景。

因此,这项RISC-V测试更重要的价值,在于展示不同代际模型在RTL设计、微架构探索和吞吐量优化方面的能力变化,而不是证明模型已经能够独立完成商业级CPU设计。

下一步:AI将从修改RTL代码走向操作EDA工具

在报告最后,OpenAI进一步介绍了其与新思科技合作开发GPT-Synopsys的计划。

实际上,双方早在2026年9月30日就已经宣布建立多年期战略合作关系,共同开发这一专门面向芯片设计的AI模型。

根据双方此前公布的信息,GPT-Synopsys将结合OpenAI的前沿模型能力与新思科技成熟的EDA工具及芯片设计专业知识,使AI能够像专业芯片设计工程师一样操作EDA工具,完成更复杂的半导体设计工作流。

这意味着,AI的能力边界将不再局限于生成和修改RTL代码,而是进一步扩展至EDA工具调用、设计结果分析、功能验证和反复迭代优化等环节。

传统芯片设计流程涉及大量复杂工具和专业知识,工程师不仅需要编写RTL代码,还需要经过逻辑综合、形式验证、静态时序分析、布局布线、功耗分析以及物理验证等多个环节。

即使AI能够生成正确的RTL代码,也不意味着设计就一定能够通过后续物理实现流程,更不意味着最终流片就一定能够一次成功。

GPT-Synopsys的目标,正是让模型能够更深入地理解和操作这些专业工具,根据EDA工具反馈不断调整设计方案,从而帮助工程师探索更多优化路径。

这也体现出AI芯片设计应用正在从单点辅助走向更完整的工程流程。

AI开始重新设计AI所依赖的芯片

从Jalapeño到AMD旗舰GPU,再到RISC-V处理器基准测试,OpenAI这份技术报告展示了AI模型在半导体设计领域逐步深入的应用路径。

早期,AI主要被用于辅助工程师编写代码、检索设计资料和处理重复性任务;而现在,前沿模型已经能够参与RTL代码重写、微架构优化、硬件资源复用和流水线调整,并通过EDA工具验证设计修改的有效性。

尤其是AMD旗舰GPU最高14%的PPA综合改善,以及Jalapeño相关优化在真实硅片上的验证,说明AI已经开始在复杂商业芯片设计中创造可量化的工程价值。

当然,这并不意味着AI已经能够取代经验丰富的芯片架构师和数字IC设计工程师。芯片设计不仅需要满足功能正确性,还涉及复杂的时序约束、物理实现、功耗管理、可靠性和制造良率等问题。AI提出的每一项优化仍然需要经过专业工具和工程师的严格验证。

但可以确定的是,AI正在改变芯片设计工程师探索设计空间的方式。

过去,工程师需要依靠经验和有限的人力,逐一尝试不同的电路结构和微架构方案;未来,AI模型有望并行探索更多设计路径,并借助EDA工具快速筛选出具有实际价值的方案。

对于整个半导体产业而言,这不仅有望缩短芯片开发周期,也可能帮助芯片公司在相同工艺节点和硬件资源条件下,挖掘出更多性能、功耗和面积优化空间。

当AI开始参与设计支撑AI运行的芯片本身,一场由AI驱动的半导体设计效率革命,或许才刚刚开始。

编辑:芯智讯-浪客剑

留下评论