OpenAI 披露 AI 辅助芯片设计进展,它改动了哪些环节?(OpenAI将披露AI异常行为) ypxx.net

AI 写出一段程序,今天已经很常见。把改动放进芯片电路描述里,再经过验证、进入制造,证据就多走了几步。OpenAI 十一月十八日公布的芯片设计进展,值得沿着这些步骤读。

我核对了这份原文。它同时介绍自研推理芯片 Jalapeño、与 AMD 的合作,以及开源处理器评测。三部分采用的对象和验证方式不同,混在一起,很容易把局部结果写成整张芯片已经获得同等提升。

先从一段电路描述开始

芯片设计里,工程师会使用硬件描述语言表达电路行为。模型参与的一个方向,是修改这些描述,在保持所需功能的前提下,寻找面积、时序和功耗方面的改善。文章里提到的 SystemVerilog RTL,就属于这个工作环节。

同一个计算,可以用不同的电路组织完成。部分运算能共享硬件,有些中间结果不必占用那么多存储;把计算划分到不同流水级,也会影响时延和电路规模。模型提出改动,工程工具继续检查改动后的电路。

这解释了为什么写出看似合理的代码还不够。电路行为要满足要求,优化目标也有取舍。面积减小但时序不达标,或者某些输入下算错,都可能让一个方案失去使用价值。生产设计还要经历后续实现与验证。

自研芯片给出的结果落在哪些单元

OpenAI 表示,团队在二〇二五年初开始使用 GPT-o3 mini 帮助设计 Jalapeño。原文讨论了向量单元和矩阵单元的具体改动,包括浮点运算、低精度点积及流水组织。

矩阵单元中,一个乘法器改写方案在综合阶段减少约百分之十五的单元面积,并把时延从两个时钟周期降到一个。另一项加法器改写减少约百分之十五的单元面积,同时保留两个周期的时延。这两个数字不能相加。它们指向不同电路。

从更大范围看,团队估计模型提出的改动让向量单元标准单元面积减少约百分之十三,矩阵单元减少约百分之十。公司称这些优化已经在芯片启动验证中得到硅片验证。读到这里,应当保留单元名称和面积指标,不能换成整颗芯片算力提高多少。

标准单元面积也有自己的统计范围。它与整块芯片的封装、存储和所有物理结构并不相同。原文给了具体工程对象,我们就按这个对象理解,避免将一个局部指标扩大到产品总体。

与 AMD 合作的百分之十四是什么意思

另一组受到关注的数字,是在 AMD 旗舰 GPU IP 上,相对于已经高度优化的基线,PPA 最多改善百分之十四。PPA 涉及功耗、性能和面积,它描述多个工程目标之间的取舍,不能直接替换为实际显卡在所有任务中快了百分之十四。

按 OpenAI 的说法,模型通过重写 RTL 提出改进,使用 Synopsys 工具验证行为并评估取舍。AMD 已把部分变动纳入最近送去制造的设计,另外一些进入后续版本的生产设计文件。进入设计、送去制造和拿到实物验证,处于不同阶段。

报告还提到,AMD 在下一代旗舰 CPU 的关键模块中验证了个位数百分比的 PPA 收益。这个结果再次限定在特定模块和基线。它说明合作对象有所扩展,仍不足以推断未来每一款 CPU 的最终规格。

开源处理器评测让什么变得可比较

为了比较不同代模型,OpenAI 还使用了两个开源三十二位 RISC-V 处理器核,分别是 PicoRV32 和 Ibex。一个任务从已有硬件描述出发优化吞吐,另一个任务给书面要求,让模型设计处理器核。

评测先检查输出是否正确。未通过检查、或面积超过原始核十六倍的方案会被计为零分。通过后,再用模型未见过的负载估计吞吐,并在相同约束下做归一化比较。这个流程至少把正确性与资源限制放进了评分。

在约十一万二千 token 的可比预算下,文中报告 GPT-6.2 Astra 在两个核上的平均分最高。评测结果反映这些任务和预算,无法直接变成先进 GPU 的设计排名。嵌入式处理器核与大型生产芯片,在规模和约束上都有差别。

归一化分数也要看定义。报告将同一处理器核、相同约束下观察到的最佳吞吐设为一,再把不同运行的分数取平均,其中包括失败的零分。得分上升可以来自更好的方案,也可以来自失败次数减少,不能直接读成一颗真实芯片的绝对运行速度。

有趣的是,同预算下,从书面要求设计新核的得分高于优化已有代码。原文也给出了可能解释,新方案可以省略一些原核具备、但对测试吞吐贡献不大的功能。功能少一些,任务本身就变了,这部分优势需要谨慎理解。

工程价值落在验证能否跟上

这批材料最值得继续追踪的,是模型的提议怎样进入工程验证。通过模拟、行为检查和时序评估的方案,才有继续向生产推进的理由。模型生成候选的速度提高,也会增加工程师需要筛选和验证的内容。

OpenAI 还宣布与 Synopsys 合作,计划把模型能力与现有电子设计自动化工具结合。这类合作能否持续产生可用改动,后续要看更多具体设计的效果与失败情况。单篇发布说明还无法回答整个行业会节省多少成本。

对关注模型训练的人,这些例子也说明了任务设计的重要性。目标写成让电路更好,无法直接评分;明确正确性、面积限制和吞吐测量,才有可比较的反馈。模型能力之外,验证任务本身同样需要工程工作。

结语

这次进展把 AI 辅助设计推进到更具体的电路和验证记录。继续往下看,最有价值的新消息会是哪些改动通过了后续检查,又实际进入了什么产品。