OpenAI در ۱۸ نوامبر ۲۰۲۶ گزارشی مفصل درباره استفاده از مدل‌هایش برای طراحی تراشه منتشر کرد، با عددهایی از تراشه استنتاج اختصاصی خودش، از همکاری با AMD و از آزمون روی پردازنده‌های متن‌باز. شرکت می‌گوید مدل‌هایش به‌سرعت تراشه‌هایی را که هوش مصنوعی روی آن‌ها اجرا می‌شود بهتر می‌کنند و این نوشته ادامه افشای ماه اوت درباره شتاب‌دادن به Jalapeño، نخستین تراشه استنتاج اختصاصی آن، با مدل‌های پیشرو است.

درباره Jalapeño، OpenAI می‌گوید یک مدل از اوایل ۲۰۲۵ و با GPT-4o کمک به طراحی را آغاز کرد و همان زمان هم بهبودهای قابل‌توجهی در توان مصرفی، کارایی و مساحت پیدا می‌کرد. در واحد برداری صرفه‌جویی‌ها از جمع‌کننده‌ها و ضرب‌کننده‌های ممیز شناور، توابع تبدیل، منطق کاهش و واحد توابع ویژه آمد. در واحد ماتریسی، بازطراحی یک ضرب‌کننده حدود ۱۵ درصد مساحت سلول کمتر در سنتز مصرف کرد و تأخیر را از دو چرخه ساعت به یک چرخه رساند، و بازطراحی جداگانه یک جمع‌کننده با همان تأخیر حدود ۱۵ درصد مساحت صرفه‌جویی کرد. در مجموع، تیم برآورد می‌کند تغییرهای پیشنهادی مدل‌ها مساحت سلول‌های استاندارد را در واحد برداری حدود ۱۳ درصد و در واحد ماتریسی ۱۰ درصد کم کرده است. به گفته OpenAI این بهینه‌سازی‌ها هنگام راه‌اندازی Jalapeño روی سیلیکون اثبات شدند.

همین روش روی سخت‌افزار شرکت‌های دیگر هم به کار می‌رود. OpenAI تا ۱۴ درصد بهبود در توان، کارایی و مساحت نسبت به مبناهای به‌شدت بهینه‌شده روی IP پردازنده گرافیکی رده بالای AMD گزارش می‌کند که با بازنویسی کد SystemVerilog توصیف‌کننده مدارها به دست آمده، و آن را حدود یک سال پیشرفت در کمتر از پنج ماه می‌نامد. طبق گفته OpenAI، AMD برخی تغییرها را در طراحی اخیری که برای ساخت فرستاده وارد کرده و بقیه را به فایل‌های طراحی تولید افزوده است، و بهبود چند درصدی در بلوک‌های کلیدی پردازنده مرکزی رده بالای آینده‌اش را با طراحی‌های نوشته‌شده توسط مدل تأیید کرده است. ابزارهای Synopsys برای بررسی حفظ رفتار هر بازنویسی و سنجش مبادله‌ها به کار رفتند.

برای سنجش پیشرفت میان نسل‌های مدل، OpenAI آن‌ها را روی دو هسته متن‌باز ۳۲بیتی RISC-V آزمود: PicoRV32 که برای تراشه‌های برنامه‌پذیر ساخته شده و Ibex که پردازنده تراشه امنیتی OpenTitan است. در یک وظیفه مدل‌ها باید توان عملیاتی طراحی موجود را بالا می‌بردند و در وظیفه دیگر هسته‌ای را از روی نیازمندی‌های نوشته‌شده طراحی می‌کردند. با بودجه‌ای قابل‌مقایسه، حدود ۱۱۲ هزار توکن در هر اجرا، GPT-6.2 Astra بالاترین میانگین امتیاز را روی هر دو هسته گرفت و GPT-6.1 Sol از GPT-5.6 Sol بهتر بود. در ۹٬۸۸۱ اجرای امتیازدهی‌شده، هر پنج مدل وقتی از نیازمندی‌ها شروع کردند امتیاز بیشتری گرفتند تا وقتی طراحی موجود را بهبود دادند.

OpenAI برای این نتیجه آخر محدودیتی را یادآوری می‌کند. شروع از نیازمندی‌ها به مدل‌ها اجازه می‌دهد قابلیت‌هایی از هسته‌های اصلی را کنار بگذارند، مانند شمارنده‌های کارایی و دستورهای اضافه، که روی بارهای آزمون سهم کمی در توان عملیاتی دارند و ممکن است بخشی از اختلاف را توضیح دهند. شرکت می‌گوید الزام آن قابلیت‌ها، سخت‌تر کردن سقف مساحت و بررسی زمان‌بندی پس از سنتز فیزیکی آزمون را به طراحی تراشه در تولید نزدیک‌تر می‌کند.

در ادامه، OpenAI با Synopsys برای آموزش GPT-Synopsys همکاری می‌کند، مدلی که قرار است ابزارهای خودکارسازی طراحی الکترونیکی Synopsys را مانند طراحان باتجربه به کار ببرد. همه عددهای این نوشته از OpenAI و توصیف‌های شریک‌هایش است و روایت خود AMD از این بهبودها در آن نیامده است.

منابع