OpenAI afirma que sus modelos de IA más recientes ya son lo suficientemente buenos para hacer mejoras reales en los chips que potencian la IA, y tiene los resultados que lo respaldan. La compañía informa que sus modelos ayudaron a reducir el área de circuitos en Jalapeño, su primer chip de inferencia personalizado, y en los diseños de producción de AMD. AMD ya incorporó algunos de esos cambios en un chip enviado a fabricación.

¿Cómo redujeron los modelos de OpenAI el área de chip en Jalapeño?

Los ingenieros de OpenAI comenzaron a usar GPT-4o para ayudar a diseñar Jalapeño a comienzos de 2025. Incluso ese modelo temprano encontró formas de mejorar la potencia, el rendimiento y el área, lo que en el diseño de chips se conoce a menudo como PPA. La mayor parte de los ahorros se logró en dos bloques de cómputo. En la unidad vectorial, que maneja tareas de computación en paralelo, el modelo sugirió cambios en los sumadores y multiplicadores de punto flotante, las funciones de conversión, la lógica de reducción y una unidad de funciones especiales. También buscó formas de dividir el trabajo entre etapas de la canalización y de compartir hardware para reducir el almacenamiento intermedio.

Avances en Jalapeño y en los chips de AMD

En la unidad matricial, un componente aritmético, las mejoras se acumularon en varios circuitos. Un rediseño del multiplicador utilizó alrededor de 15% menos área de celdas durante la síntesis y redujo la latencia de dos ciclos de reloj a uno. Un rediseño independiente del sumador redujo el área de celdas en cerca de 15%, manteniendo su latencia de dos ciclos. En todo el esfuerzo con Jalapeño, el equipo estima que los cambios propuestos por el modelo redujeron el área de celdas estándar en alrededor de 13% en la unidad vectorial y 10% en la unidad matricial. OpenAI afirma que esas optimizaciones se comprobaron en silicio durante el arranque de Jalapeño.

¿Cuánto mejoraron los modelos de OpenAI los diseños de chips de AMD?

El trabajo con AMD fue más allá. OpenAI afirma que sus modelos lograron una mejora de hasta 14% frente a líneas base muy optimizadas en la propiedad intelectual de la GPU insignia de AMD. El modelo lo logró en parte reescribiendo el código SystemVerilog de nivel de transferencia entre registros que describe los circuitos del chip. OpenAI describe el resultado como aproximadamente un año de progreso logrado en menos de cinco meses. AMD incluyó algunos de los cambios en un diseño reciente enviado a fabricación y agregó otros a sus archivos de diseño de producción para versiones futuras.

OpenAI afirma que el modelo razonó sobre el código al nivel de un microarquitecto experto. Puede reescribir circuitos que realizan cálculos, operaciones de control o mueven datos. Las herramientas de Synopsys verificaron que cada reescritura conservara el comportamiento del bloque y evaluaron las compensaciones en potencia, rendimiento y área. AMD también informó mejoras de PPA de un solo dígito porcentual en bloques clave de su próxima CPU insignia de nueva generación, usando diseños escritos por el modelo.

Pruebas con núcleos de procesador de código abierto

Para medir qué tan rápido están mejorando los modelos, OpenAI probó cada uno con dos núcleos RISC-V de 32 bits de código abierto. El primero, PicoRV32, es un núcleo compacto diseñado para chips reprogramables conocidos como FPGA. El segundo, Ibex, funciona como el procesador embebido del chip de seguridad de OpenTitan. Ambos son núcleos de procesador completos orientados a cargas de trabajo embebidas de clase microcontrolador.

En la primera tarea, a los modelos se les entregó la descripción de hardware original de cada núcleo y se les pidió aumentar el rendimiento, es decir, la cantidad de instrucciones que el núcleo puede ejecutar por segundo. Los diseños obtenían cero puntos si fallaban una verificación de corrección o si usaban más de 16 veces el área del núcleo original. OpenAI luego midió el desempeño con cargas de trabajo ocultas para los modelos y comparó cada núcleo con el mejor resultado observado bajo las mismas restricciones.

Con un presupuesto comparable de unos 112.000 tokens por ejecución, GPT-6.2 Astra obtuvo la puntuación promedio más alta en ambos núcleos. GPT-6.1 Sol también superó a GPT-5.6 Sol en los dos. En la segunda tarea, los modelos diseñaron un núcleo a partir de requisitos escritos y plantillas, en lugar de mejorar uno existente. Los cinco modelos obtuvieron una puntuación más alta en esa tarea que en la primera. GPT-6.2 Astra alcanzó una puntuación media de cerca de 0,7 en PicoRV32 y de cerca de 0,75 en Ibex, con unos 112.000 tokens. La evaluación completa incluyó 9.881 ejecuciones puntuadas.

OpenAI advirtió que la prueba de diseño a partir de especificaciones podría exagerar los resultados. Partir de requisitos permite que los modelos omitan funciones presentes en los núcleos originales, como contadores de rendimiento e instrucciones adicionales, que podrían aportar poco al rendimiento en las cargas de prueba. La compañía señaló que exigir esas funciones, fijar un límite más estricto para el área de circuitos y verificar la temporización después de la síntesis física haría la prueba más representativa del diseño de chips de producción.

OpenAI también trabaja con Synopsys, la empresa de automatización del diseño electrónico, para entrenar un nuevo modelo, denominado GPT-Synopsys, que use las herramientas de Synopsys de la misma forma en que lo hacen los diseñadores expertos de chips. La compañía afirmó que el objetivo es fundamentar el desarrollo de los modelos en evaluadores confiables y ampliar la gama de problemas de diseño que los modelos pueden manejar.

Questo articolo è stato scritto con l'assistenza dell'IA.
News Factory APP - notizie agentiche per potenziare il tuo SEO e AEO.