要約:
OpenAI は、最新の技術レポート「OpenAI モデルによるチップ設計の進歩」をリリースし、チップ設計を支援するための人工知能モデルの使用に関する最新の進歩を明らかにしました。 OpenAI は、そのモデルが自社開発の AI 推論チップ Jalapeño による回路設計の最適化に貢献しただけでなく、AMD との協力によりフラッグシップ GPU の主要な IP モジュールの消費電力、パフォーマンス、面積 (PPA) 指標で最大 14% の改善を達成したと述べました。
。最適化の結果の一部は、最近 AMD によって製造のために提出されたチップ設計に組み込まれています。

OpenAI は、AI モデルがエンジニアのコード作成を支援することから、チップの基礎となる回路設計とマイクロアーキテクチャの最適化にさらに踏み込むことに移行していると述べました。今回発表された成果には、自社開発のAIチップ、AMDのフラッグシップGPU、次世代CPUに加え、オープンソースのRISC-Vプロセッサ設計も含まれている。
自社開発チップに関しては、OpenAI は GPT-4o を使用して、2025 年初頭からハラペーニョの設計に参加する予定です。当時の初期のモデルでさえ、従来のチップ設計プロセスに最適化の余地がすでに見つかっている可能性があります。
具体的には、Jalapeño のベクトル コンピューティング ユニットでは、AI モデルが浮動小数点加算器、乗算器、データ変換ロジック、パイプライン構造を調整することで、ハードウェア リソースの使用量と中間データ ストレージ要件を削減します。行列演算器では、浮動小数点演算や低精度内積回路向けにモデルを再設計しました。
その中で、乗算器設計の最適化により、合成後の標準ユニットの面積が約
15%
削減されます。 、動作遅延を 2 クロック サイクルから 1 クロック サイクルに短縮します。別の加算器の最適化により、2 クロック サイクルの遅延を維持しながら、約 15% の面積削減も達成されます。OpenAI は、AI モデルによって提案された設計変更により、最終的にハラペーニョ ベクトル ユニットの標準単位面積が約 13% 削減されたと推定しています。
、マトリックス単位は約10%
削減されます。 。これらの改善は、チップのシリコン デバッグ検証中に確認されました。OpenAI が上記の機能を AMD の商用チップ設計に適用していることは注目に値します。
OpenAI が開示した情報によると、両社は AMD の主力 GPU の主要な IP モジュールを最適化するために協力しました。 OpenAI モデルは、独自の高度に最適化された設計に基づいて、チップ回路を記述する SystemVerilog RTL コードを書き換えることにより、消費電力、パフォーマンス、面積指標をさらに改善します。一部の設計の PPA 改善は最大
14%
に達します。 。OpenAI は、これは通常約 1 年かかる設計の進捗を 5 か月未満で完了することに相当すると述べました。
AMDは、最近製造用に提出されたチップ設計にいくつかの最適化を適用しており、その他の改善点は製品設計文書に組み込まれており、将来のバージョンに計画されています。同時に、AMD は次世代フラッグシップ CPU の主要モジュールにおける OpenAI モデルの最適化結果も検証し、関連する設計では PPA 指標で 1 桁のパーセント改善を達成しました。
OpenAI は、そのモデルが上級マイクロアーキテクチャ エンジニアに近い方法で RTL コードを分析し、コンピューティング ロジック、制御回路、データ送信構造への変更を提案できると述べました。このモデルはまた、シノプシスの電子設計自動化ツールを活用して、変更が元の機能を維持していることを検証し、さまざまな設計の電力、パフォーマンス、面積のトレードオフを評価します。
実際のチップ プロジェクトに加えて、OpenAI は、2 つのオープン ソース 32 ビット RISC-V プロセッサ コア PicoRV32 および Ibex を通じて、さまざまな世代モデルのチップ設計機能も評価しました。
テストには 2 種類のタスクが含まれます。1 つは既存の RTL デザインに基づいてプロセッサのスループットを最適化することで、もう 1 つはテキスト仕様の要件に従ってプロセッサ RTL デザインを最初から生成することです。
結果は、実行あたり約 112,000 トークンという同等の予算で、
GPT-6.2 Astra が両方のプロセッサ コアの RTL 最適化タスクで最高の平均スコアを達成したことを示しています。
。中でもPicoRV32テストではGPT-6 Astraの約2倍の平均スコアを記録しています。さらに注目すべきは、テキスト仕様から直接 RTL 設計を生成するタスクでは、テストされた 5 つのモデルすべてが、既存の設計を最適化するタスクよりも両方のプロセッサで高いスコアを獲得したことです。 GPT-6.2 Astra は、PicoRV32 テストで 0.7 以上、Ibex テストで約 0.75 の平均正規化スコアを達成しました。
この評価には、合計
9881 の得点ラン
が含まれています 、さまざまなモデル、タスク、プロセッサーコア、トークンバジェットをカバーします。しかし、OpenAI は、これらのテストにはまだ限界があるとも指摘しました。スペックからプロセッサを再設計する場合、モデルはパフォーマンス カウンターや追加の命令などの機能を省略できるため、スコアが高いからといって、新しい設計が実際の製品で同様に有利であるとは限りません。将来的には、さらに厳しい機能要件、チップ面積の制限、物理合成後のタイミングチェックを追加する必要があります。
次の段階では、OpenAI はチップ設計ソフトウェア メーカー Synopsys との提携を発表しました。トレーニング名は
GPT-Synopsys
です。 新モデルでは、プロのチップ設計エンジニアと同様に電子設計自動化(EDA)ツールを使用できるようになり、チップ設計および検証プロセスにおけるAIの応用能力がさらに向上した。今回開示された結果から判断すると、OpenAI は、AI を使用してチップを最適化し、より効率的なチップを使用して AI モデルの動作をサポートする一連の技術パスを確立しようとしています。ただし、これまでに発表された主な結果は依然として特定のコンピューティング モジュールと評価タスクに焦点を当てており、GPU または CPU 全体の同じ割合のパフォーマンス向上を直接的に表すことはできません。
コメント