返回资讯中心
外部精选
软件工程
#开发者实时流

OpenAI模型加速芯片设计,用于Jalapeño与AMD合作项目

来源标题:Advancing chip design with OpenAI models

OpenAI公布其前沿模型在芯片设计上的实际应用进展,已用于加速自研推理芯片Jalapeño的开发,并正将同样方法用于AMD第三方硬件。OpenAI从2025年初开始用GPT‑4o参与Jalapeño设计,同时与Synopsys合作把模型能力接入EDA工具,并在两个开源处理器设计上评估模型的端到端设计能力。

Hacker News 最新vighneshiyer2026/11/18 · 今天19 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

提升 Jalapeño 的计算模块 我们与 AMD 的合作 优化 RISC-V 核心 根据规范设计 RISC-V 核心 下一步

提升 Jalapeño 的计算模块 我们与 AMD 的合作 优化 RISC-V 核心 根据规范设计 RISC-V 核心 下一步

OpenAI 的模型正在快速改进为 AI 提供算力的芯片。今年 8 月,我们分享了 OpenAI 工程师如何利用我们的前沿模型加速首款自研推理芯片 Jalapeño 的开发。本文将更深入地介绍 Jalapeño 取得提升背后专家级的设计改进,以及我们如何将同样的方法用于 AMD 第三方硬件,并取得显著收益。

为了衡量我们的模型在端到端芯片设计任务上的能力,我们在两个开源处理器设计上评估了 successive 代模型,得到了有趣的发现。为了让能力发展建立在可信的评估者之上,我们正与 Synopsys 合作,将前沿智能与工程师已经用于设计和验证芯片的电子设计自动化(EDA)工具集成。

我们在 2025 年初开始使用 GPT‑4o 协助设计 Jalapeño。即便是那个早期模型,也找到了实现不小 PPA 改进的方法,例如:

在负责管理和执行并行计算任务的向量单元中,节省来自浮点加法器和乘法器、转换函数、归约逻辑以及特殊函数单元。模型探索了替代的逻辑实现方式,以及如何将计算划分到不同流水线阶段,找到了共享硬件和减少中间存储的机会。 在作为算术组件的矩阵单元中,改进累积在浮点加法器、乘法器和低精度点积电路上。一次乘法器重新设计在综合时使用的单元面积减少约 15%,同时将延迟从两个时钟周期降低到一个。另一次加法器重新设计将单元面积减少约 15%,同时保持两个时钟周期的延迟。对点积逻辑和流水线组织的进一步改进为该模块带来了更多节省。 在整个 Jalapeño 设计工作中,团队估计模型提出的改动使向量单元的标准单元面积减少约 13%,矩阵单元减少约 10%。这些优化已在 Jalapeño 的硅片 bring-up 期间得到硅验证。

我们与 AMD 合作进行 PPA 改进,在旗舰 GPU IP 上相对于经过重度优化的基线,取得了最高 14% 的提升。我们的模型通过重写描述芯片电路的代码(SystemVerilog RTL)找到了进一步改进。这相当于在不到 5 个月内取得了大约一年的进展——这是芯片设计前沿前所未有的结果。AMD 已将其中一些改动纳入其最近送交制造的设计中,并将其他改动加入其生产设计文件,以供未来版本使用。

我们观察到模型能够以专家级微架构师的水平对 RTL 进行推理。模型可以重写执行计算、控制操作或移动数据的电路。它使用 Synopsys 工具验证每次重写都保持了模块的行为,并评估功耗、性能和面积方面的权衡。

AMD 还使用我们模型编写的设计,验证了其即将推出的下一代旗舰 CPU 关键模块在 PPA 上取得了个位数百分比的提升。展望未来,我们预计在 GPU 和 CPU 上,相对于最优化的基线,还能取得进一步的 PPA 改进。

我们在 Jalapeño 和 AMD 芯片上的结果表明,模型可以在生产设计中做出改进。为了衡量芯片设计能力从一代模型到下一代的进展,我们在两个开源 32 位 RISC-V 核心上测试了每个模型。PicoRV32 是一个为可重编程芯片 FPGA 设计的紧凑核心。OpenTitan 在其安全芯片中使用 Ibex 作为嵌入式处理器。两者都是面向嵌入式、微控制器级工作负载的完整处理器核心。

我们向每个模型提供每个核心的原始硬件描述,并要求它提高吞吐量(核心每秒可执行的指令数)。例如,一项改动可能让核心用更少的时钟周期完成一条指令,但使每个周期耗时更长。测量吞吐量可以同时捕捉这两种效应。

我们在仿真中检查每个设计的输出。如果设计未通过检查,或使用的面积超过原始核心的 16 倍,则得分为零。对于通过的设计,我们在对模型隐藏的工作负载上测量每时钟周期指令数。我们取这些工作负载的几何平均值,再乘以用 Yosys 估算的最大时钟频率。这样我们就得到了每秒指令数的估计值。对于每个核心,我们将相同约束下观察到的最佳吞吐量记为 1.0 分。图表显示的是多次运行的平均得分,包括得零分的运行。

在每次运行约 112,000 个 token 的可比预算下,GPT‑6.2 Astra 在两个核心上的平均得分最高。GPT‑6.1 Sol 在两个核心上的得分也都高于 GPT‑5.6 Sol。

在现有的 PicoRV32 核心上,GPT‑6.2 Astra 在较大的可比预算下平均得分最高。在约 112,000 个 token 时,其得分约为 GPT‑6 Astra 的两倍。

在现有的 Ibex 核心上,GPT‑6.2 Astra 的平均得分在其达到的更高预算下继续攀升。GPT‑6 Astra 和 GPT‑6.1 Sol 更为接近。

对于第二项任务,我们向每个模型提供书面要求,以及来自开源代码的模板,展示核心如何与系统其余部分连接。模型选择数据如何在核心中流动,以及如何将工作划分到不同阶段。对于每个核心,我们保持正确性检查、内存和缓存设置以及吞吐量目标与 RTL 优化任务相同。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →