智东西 18小时前
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
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

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

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

芯片 astra amd gpu 智东西
相关文章
评论
没有更多评论了
取消

登录后才可以发布评论哦

打开小程序可以发布评论哦

12 我来说两句…