快速了解本文
OpenAI 报告披露 AI 优化成果已进入 AMD 量产送造阶段。
AI 辅助使 Jalapeño 芯片向量单元面积减少约 13%。
OpenAI 将与新思科技合作训练 GPT-Synopsys 模型。
本摘要由 AI 辅助整理,请以正文内容为准。
当地时间 2026 年 11 月 18 日,OpenAI 发布技术报告《Advancing chip design with OpenAI models》,披露了其利用 AI 模型辅助芯片设计的最新进展。报告显示,AI 模型在芯片设计中的应用已从早期的架构探索,深入到具体电路级的实质性改进,其优化成果已直接应用于量产送造环节,标志着 AI 辅助芯片设计正式跨越“仿真验证”阶段,进入实际生产流程。
01量产芯片的实质性物理优化
在 OpenAI 自研推理芯片 Jalapeño 的设计中,工程师自 2025 年初开始使用 GPT-4o 辅助设计。通过优化浮点加法器、乘法器等硬件资源,AI 模型使该芯片向量计算单元的标准单元面积减少约 13%,矩阵计算单元减少约 10%,且相关设计已通过实际芯片验证。
在第三方合作方面,OpenAI 模型通过重写 SystemVerilog RTL 代码,在 AMD 旗舰 GPU IP 上实现了最高 14% 的 PPA(性能、功耗、面积)改进。相较于经过高度优化的基准设计,这一优化将约一年的设计工作量压缩到了不到 5 个月内完成。目前,AMD 已将部分 AI 优化成果纳入近期送交制造的芯片设计,其余修改也已加入生产设计文件。此外,双方还在 AMD 下一代旗舰 CPU 的关键模块中验证了个位数百分比的 PPA 提升。
02开源架构测试与工程局限
除了成熟量产芯片,OpenAI 还针对 PicoRV32 和 Ibex 两款开源 32 位 RISC-V 处理器内核进行了优化与从零设计测试。在要求提高处理器吞吐量并结合 IPC 和最高时钟频率计算得分的测试中,每次运行预算约 11.2 万 Token 的条件下,GPT-6.2 Astra 平均得分最高。
在从零设计 RISC-V 处理器内核的任务中,测试模型的得分普遍高于优化现有设计。然而,报告也揭示了当前 AI 模型在复杂物理约束下的局限性:模型倾向于省略性能计数器等对吞吐量目标帮助有限的非核心功能,以优化面积和时序。这表明,当前模型在完全替代人类进行包含所有工程约束的复杂物理综合设计方面仍有局限,需要结合专业 EDA 工具进行闭环验证。
03向专业 EDA 工具链集成
为弥补上述局限并推动 AI 芯片设计的下一步发展,OpenAI 宣布与 EDA 厂商新思科技(Synopsys)达成合作。双方将共同训练名为 GPT-Synopsys 的新模型,旨在使其能够像专业人员一样使用 EDA 工具完成芯片设计与验证,从而将 AI 的代码生成能力与专业 EDA 工具链深度结合,实现全流程的闭环设计。
