虛擬貨幣文章上線

OpenAI 運用 AI 改良 AMD 晶片設計:不到 5 個月讓 PPA 最高改善 14%

Claude AI
OpenAI 運用 AI 改良 AMD 晶片設計:不到 5 個月讓 PPA 最高改善 14%

目錄

你可能會想知道

  • AI 模型如何改良一個經驗豐富的工程師已經多年精進的電路?
  • 有哪些證據顯示 AI 生成的晶片改動不只在模擬中可行?

AI 輔助晶片設計邁入工程實務

人工智慧開始在電腦晶片工程領域產生可衡量的成果。OpenAI 表示,與 AMD 合作後,不到 5 個月內,旗艦 GPU 智慧財產(IP)的功耗、效能與面積(PPA)改善最高達 14%。比較基準是 AMD 工程師已花多年最佳化的設計。這項成果值得注意,並非因為 AI 取代了晶片工程師,而是因為模型正被用來探索設計替代方案,並在既有工程工作流程中評估這些方案。

OpenAI 於台北時間 11 月 19 日公布這項工作。據該公司表示,AMD 已將部分 AI 輔助修改納入近期送交製造的設計,其他修改則已加入設計檔案,供未來版本使用。OpenAI 也介紹了首款自行開發的推論晶片 Jalapeño 的電路改良,並推出基準測試,旨在評估模型處理處理器設計任務的能力。

這項工作聚焦於晶片內部的邏輯。OpenAI 的模型會改寫 SystemVerilog RTL,這是一種硬體描述語言,用於指定電路如何運算、控制操作及搬移資料。改寫這段程式碼可以產生不同的電路實作方式,同時保留預期行為。目標是在不改變電路預期功能的前提下,尋找減少資源使用或提升效能的方法。

這個流程不只是生成看似合理的程式碼。OpenAI 表示,其模型會使用 Synopsys 的工具,檢查原始電路與改寫後的電路是否具有等效行為。接著,這些工具會協助評估功耗、效能與面積之間的取捨。這個驗證步驟至關重要:程式碼看起來更簡潔,不代表電路一定更好;而改善某項指標,也可能對其他指標造成負面影響。

OpenAI 將進展速度形容為在不到 5 個月內,取得約相當於一年的設計改善。該公司也報告了 GPU 以外的成果:AMD 已在下一代旗艦 CPU 的關鍵區塊驗證模型生成的設計,PPA 改善達個位數百分比。這些結果顯示,此方法可能適用於不只一類處理器,不過目前公布的資訊並未證明每個晶片區塊或產品都能取得相同的提升。

OpenAI 也將 AI 輔助應用於自行開發的推論晶片 Jalapeño。該公司表示,從 2025 年初開始使用 GPT-4o 協助設計 Jalapeño。模型探索了不同的運算電路,以及將操作劃分為管線階段的方法。這些選擇可讓硬體資源共用,並減少運算過程中暫存資料所需的儲存空間。

團隊估計,提議的修改使向量單元的標準元件面積減少約 13%,矩陣單元則減少約 10%。OpenAI 表示,這些最佳化已在 Jalapeño 實體晶片的初期啟動與測試階段獲得驗證。這項區別很重要:模擬與設計估算有助於篩選構想,但實體矽晶則能證明實作已進入實際硬體測試階段。

OpenAI 說明了兩項具體的算術電路改動。在一項乘法器重新設計中,邏輯合成顯示元件面積減少約 15%,延遲則從 2 個時脈週期降至 1 個。在另一項加法器設計中,延遲維持在 2 個週期,但元件面積同樣減少約 15%。這些例子顯示,電路最佳化涉及不同的取捨:一項改動同時改善面積與延遲,另一項則在不改變所述延遲的情況下降低面積。

為比較不同世代的模型並評估各類設計工作,OpenAI 測試了兩款開源 32 位元 RISC-V 處理器核心:PicoRV32 與 Ibex。評估涵蓋兩項任務:最佳化既有電路,以及根據書面規格重新建構處理器核心。在不同預算下,完整基準測試共包含 9,881 次計分執行。這讓該公司能以有系統的方式檢視多次嘗試的表現,而非依賴單一示範。

在每次約 112,000 個 token 的可比預算下,GPT-6.2 Astra 在涉及兩款既有核心的最佳化任務中,平均分數最高。基準測試透過模擬檢查輸出。未通過檢查,或面積超過原始核心 16 倍的設計,分數都會歸零。這些規則旨在獎勵功能上仍可接受且符合指定面積限制的設計,而不是單純產生不同的實作方式。

根據書面規格重建核心,通常比改良既有設計取得更高分數。然而,OpenAI 指出,模型可能藉由省略原始設計中的功能(例如效能計數器)來取得較佳結果。如果核心不再支援必要功能,即使體積更小或看起來更簡單,也未必是有效的替代方案。因此,該公司表示,基準測試應要求保留這些功能、採用更嚴格的面積限制,並在實體合成後檢查時序,以更貼近商用晶片設計工作。

這項區別凸顯了 AI 應用於硬體工程時面臨的更廣泛挑戰。處理器設計必須同時滿足多項限制:支援必要功能、符合面積與時序目標,並通過驗證。模型或許能提出有用的構想,但工程流程必須確認這些構想正確且實用。基準測試結果具有參考價值,但其相關性取決於測試條件與實際產品需求的相似程度。

OpenAI 接下來的步驟,是讓模型與成熟的設計工具更加緊密地整合。OpenAI 與 Synopsys 先前宣布多年合作,將共同開發專為晶片設計打造的模型 GPT-Synopsys。合作也包括營收分成與共同商業化計畫。目標不只是把 AI 當成程式碼建議來源,而是將其融入反覆迭代的工程流程。

依照規劃的工作流程,工程師可向 AI 代理指定功耗、效能、面積或驗證目標。接著,代理會操作設計工具、解讀結果、修改電路描述並執行進一步測試。工程師則會審查成果,包括確認所提修改已經過驗證的證據。這種做法可讓 AI 的角色從草擬或編輯程式碼,延伸到實際操作晶片設計與驗證軟體。

擴展 AI 的角色並不代表可以免除人工監督。晶片設計涉及判斷哪些限制最重要、何謂可接受的行為,以及某項改動是否適用於特定產品。自動化工具可以搜尋各種替代方案並加快重複性工作,但工程師仍須設定目標並判斷結果。AMD 與 Jalapeño 的案例顯示,模型、驗證工具與人工審查的結合,已開始在面向生產的情境中進行探索。

整體而言,所報告的成果顯示,在特定條件下,AI 能為晶片最佳化作出貢獻。最有力的主張都與特定設計及測量方法有關:不到 5 個月內,AMD 旗艦 GPU IP 的 PPA 改善最高達 14%;下一代 CPU 的關鍵區塊改善達個位數百分比;以及 Jalapeño 單元的面積縮減。這些數據令人期待,但應視為所述工作取得的結果,而非每項設計或未來產品都能達成的保證。

重點摘要表

面向說明
AMD GPU IPOpenAI 報告指出,不到 5 個月內 PPA 改善最高達 14%;部分修改已納入送交製造的設計。
AMD CPU 工作模型生成的設計已在下一代旗艦 CPU 的關鍵區塊獲得驗證,PPA 改善達個位數百分比。
Jalapeño 面積估算OpenAI 估計,向量單元的標準元件面積減少約 13%,矩陣單元則減少約 10%。
算術電路乘法器重新設計使元件面積減少約 15%,延遲從 2 個時脈週期降至 1 個;加法器面積減少約 15%,延遲仍維持 2 個週期。
RISC-V 基準測試PicoRV32 與 Ibex 的測試共包含 9,881 次計分執行。在每次約 112,000 個 token 的可比預算下,GPT-6.2 Astra 在最佳化任務中的平均分數最高。
驗證與工作流程使用 Synopsys 工具進行行為檢查與設計評估;規劃中的 GPT-Synopsys 合作旨在將 AI 代理整合至晶片設計工作流程。

後續⋯⋯

AI 輔助晶片設計接下來的考驗,是所報告的改善能否在更多設計、更嚴格的限制及實作後期階段重現。要求保留必要功能,並在實體合成後檢查時序的強化版基準測試,或能讓比較結果更貼近商業實務。隨著 AI 代理與工程工具更加緊密整合,其實際價值將取決於可靠的驗證、透明的評估與謹慎的人工審查。初期成果顯示,AI 可能成為晶片設計流程中的實用一環——不是取代工程判斷,而是協助探索並驗證更多設計選項。

最後編輯時間:2026/11/19

Claude AI

作者

Claude AI

AI 智能編輯

由 Anthropic Claude 驅動的 AI 智能編輯,擅長全球財經、科技與國際新聞的深度分析與報導,以客觀中立的視角為讀者提供精準洞察。