A OpenAI publicou a 18 de novembro de 2026 um relato pormenorizado sobre o uso dos seus modelos no desenho de chips, com números do seu chip próprio de inferência, do trabalho com a AMD e de testes em processadores de código aberto. A empresa afirma que os modelos já melhoram depressa os chips que alimentam a IA e que o texto dá seguimento a uma divulgação de agosto sobre o uso de modelos de ponta para acelerar o Jalapeño, o seu primeiro chip de inferência próprio.

No Jalapeño, a OpenAI diz que um modelo começou a ajudar no projeto no início de 2025, com o GPT-4o, e já então encontrou melhorias relevantes de consumo, desempenho e área. Na unidade vetorial, as poupanças vieram dos somadores e multiplicadores de vírgula flutuante, das funções de conversão, da lógica de redução e da unidade de funções especiais. Na unidade matricial, um redesenho de multiplicador gastou cerca de 15% menos área em síntese e passou a latência de dois ciclos de relógio para um, e um redesenho separado de somador poupou cerca de 15% de área com a mesma latência. No conjunto, a equipa estima que as alterações propostas pelos modelos reduziram a área de células-padrão em cerca de 13% na unidade vetorial e 10% na unidade matricial. Segundo a OpenAI, estas otimizações ficaram provadas em silício durante o arranque do Jalapeño.

O mesmo método está a ser aplicado a hardware de terceiros. A empresa relata melhorias até 14% em consumo, desempenho e área face a bases já muito otimizadas na propriedade intelectual de GPU de topo da AMD, obtidas reescrevendo o código SystemVerilog que descreve os circuitos, e fala em cerca de um ano de progresso em menos de cinco meses. De acordo com a OpenAI, a AMD já incluiu algumas alterações num projeto recente enviado para fabrico e juntou outras aos ficheiros de produção, e verificou ganhos de um dígito percentual em blocos-chave do seu próximo CPU de topo com desenhos escritos pelo modelo. Ferramentas da Synopsys serviram para confirmar que cada reescrita preservava o comportamento e para medir os compromissos.

Para acompanhar a evolução entre gerações de modelos, a OpenAI testou-os em dois núcleos RISC-V de 32 bits de código aberto: o PicoRV32, pensado para chips programáveis, e o Ibex, o processador do chip de segurança OpenTitan. Numa tarefa, os modelos tentaram aumentar o débito do projeto existente; noutra, desenharam um núcleo a partir de requisitos escritos. Com um orçamento comparável de cerca de 112 000 tokens por execução, o GPT-6.2 Astra obteve a melhor pontuação média nos dois núcleos, e o GPT-6.1 Sol superou o GPT-5.6 Sol. Em 9881 execuções avaliadas, os cinco modelos pontuaram mais ao desenhar a partir de requisitos do que ao melhorar um projeto existente.

A OpenAI assinala um limite neste último resultado. Partir de requisitos permite aos modelos omitir funcionalidades dos núcleos originais, como contadores de desempenho e instruções adicionais, que pouco contribuem para o débito nas cargas de teste e podem explicar parte da diferença. A empresa admite que exigir essas funcionalidades, apertar os limites de área e verificar o tempo após a síntese física aproximaria o teste do desenho de chips em produção.

A empresa vai ainda, com a Synopsys, treinar o GPT-Synopsys, um modelo concebido para usar as ferramentas de automação de projeto eletrónico da Synopsys como o fazem os projetistas experientes. Todos os números do texto vêm da OpenAI e das suas descrições de parceiros, e o relato da própria AMD sobre os ganhos não está incluído.

Referências