A OpenAI afirma que seus modelos de IA mais recentes já são bons o suficiente para fazer melhorias reais nos chips que alimentam a IA, e tem resultados para comprovar isso. A empresa informa que seus modelos ajudaram a reduzir a área de circuitos no Jalapeño, seu primeiro chip personalizado de inferência, e nos designs de produção da AMD. A AMD já incorporou algumas dessas mudanças em um chip enviado para fabricação.

Como os modelos da OpenAI reduziram a área de chip no Jalapeño?

Engenheiros da OpenAI começaram a usar o GPT-4o para ajudar a projetar o Jalapeño no início de 2025. Mesmo esse modelo inicial encontrou formas de melhorar potência, desempenho e área, frequentemente chamadas de PPA no design de chips. A maior parte da economia veio de dois blocos de computação. Na unidade vetorial, responsável por tarefas de computação paralela, o modelo sugeriu mudanças em somadores e multiplicadores de ponto flutuante, funções de conversão, lógica de redução e uma unidade de funções especiais. Ele também buscou formas de dividir o trabalho entre estágios de pipeline e compartilhar hardware para reduzir o armazenamento intermediário.

Ganhos no Jalapeño e nos chips da AMD

Na unidade matricial, um componente aritmético, os ganhos se acumularam em vários circuitos. Uma reformulação de multiplicador usou cerca de 15% menos área de células durante a síntese e reduziu a latência de dois ciclos de clock para um. Uma reformulação separada de somador reduziu a área de células em cerca de 15%, mantendo a latência de dois ciclos. Considerando todo o esforço no Jalapeño, a equipe estima que as mudanças propostas pelo modelo reduziram a área de células padrão em cerca de 13% na unidade vetorial e em 10% na unidade matricial. A OpenAI diz que essas otimizações foram comprovadas em silício durante a fase de ativação do Jalapeño.

Quanto os modelos da OpenAI melhoraram os designs de chips da AMD?

O trabalho com a AMD foi além. A OpenAI afirma que seus modelos proporcionaram uma melhoria de até 14% em relação a bases de referência já muito otimizadas, na propriedade intelectual da GPU principal da AMD. O modelo fez isso em parte reescrevendo o código SystemVerilog de nível de transferência entre registradores que descreve os circuitos do chip. A OpenAI descreve o resultado como cerca de um ano de progresso alcançado em menos de cinco meses. A AMD incluiu algumas das mudanças em um design recente enviado para fabricação e acrescentou outras aos seus arquivos de design de produção para versões futuras.

A OpenAI diz que o modelo raciocinou sobre o código no nível de um microarquiteto especialista. Ele pode reescrever circuitos que realizam cálculos, operações de controle ou movimentam dados. Ferramentas da Synopsys verificaram se cada reescrita preservou o comportamento do bloco e avaliaram as compensações entre potência, desempenho e área. A AMD também informou ganhos percentuais de um só dígito em PPA em blocos-chave de sua futura CPU principal de próxima geração, usando designs escritos pelo modelo.

Testes em núcleos de processador de código aberto

Para medir a rapidez com que os modelos estão evoluindo, a OpenAI testou cada um deles em dois núcleos RISC-V de 32 bits de código aberto. O primeiro, o PicoRV32, é um núcleo compacto projetado para chips reprogramáveis conhecidos como FPGAs. O segundo, o Ibex, funciona como processador embarcado no chip de segurança do OpenTitan. Ambos são núcleos de processador completos voltados para cargas de trabalho embarcadas, de classe microcontrolador.

Na primeira tarefa, os modelos receberam a descrição original de hardware de cada núcleo e foram instruídos a aumentar a vazão, ou seja, o número de instruções que o núcleo pode executar por segundo. Os designs recebiam pontuação zero se falhassem em uma verificação de correção ou se usassem mais de 16 vezes a área do núcleo original. A OpenAI então mediu o desempenho em cargas de trabalho ocultas dos modelos e comparou cada núcleo com o melhor resultado observado sob as mesmas restrições.

Com um orçamento comparável de cerca de 112.000 tokens por execução, o GPT-6.2 Astra obteve a maior pontuação média nos dois núcleos. O GPT-6.1 Sol também superou o GPT-5.6 Sol em ambos. Na segunda tarefa, os modelos projetaram um núcleo a partir de requisitos escritos e modelos de referência, em vez de aprimorar um já existente. Todos os cinco modelos pontuaram mais alto nessa tarefa do que na primeira. O GPT-6.2 Astra alcançou uma pontuação média de cerca de 0,7 no PicoRV32 e de cerca de 0,75 no Ibex, com aproximadamente 112.000 tokens. A avaliação completa incluiu 9.881 execuções pontuadas.

A OpenAI ressaltou que o teste de design a partir de especificações pode exagerar os resultados. Partir de requisitos permite que os modelos deixem de lado recursos presentes nos núcleos originais, como contadores de desempenho e instruções extras, que podem pouco contribuir para a vazão nas cargas de teste. A empresa afirmou que exigir esses recursos, impor um limite mais rígido de área de circuitos e verificar o timing após a síntese física tornariam o teste mais representativo do design de chips em produção.

A OpenAI também trabalha com a Synopsys, empresa de automação de design eletrônico, para treinar um novo modelo, chamado GPT-Synopsys, para usar as ferramentas da Synopsys da mesma forma que projetistas especialistas de chips. A empresa afirmou que o objetivo é fundamentar o desenvolvimento dos modelos em avaliadores confiáveis e ampliar a gama de problemas de design que os modelos conseguem resolver.

Dieser Artikel wurde mit Unterstützung von KI verfasst.
News Factory APP - agentische News für besseres SEO & AEO.