OpenAI ha riferito il 18 novembre 2026 che i suoi modelli hanno contribuito a ottimizzare blocchi di chip AMD: per IP di una GPU di punta indica un miglioramento PPA fino al 14% rispetto a riferimenti già ottimizzati. Il dato riguarda potenza, prestazioni e area nel loro insieme, non la velocità di tutte le GPU AMD. Nel suo rapporto, OpenAI descrive anche modifiche al chip Jalapeño e una valutazione di modelli su core RISC-V. (Rapporto tecnico di OpenAI)
Per capire un risultato di progettazione, conta il blocco a cui si riferisce e il criterio usato per misurarlo: una percentuale isolata non racconta l’intero chip.
Che cosa riferisce OpenAI sui chip AMD
PPA è l’acronimo di potenza, prestazioni e area: un miglioramento dell’indice considera questi tre aspetti, ma il dato pubblicato da OpenAI non ne specifica il contributo separato. L’azienda riferisce un risultato massimo del 14% su IP di una GPU AMD di fascia alta, confrontato con progetti di partenza già fortemente ottimizzati. Non identifica il blocco interessato né un prodotto GPU preciso.
OpenAI riferisce inoltre guadagni PPA a una cifra percentuale su blocchi chiave di una CPU AMD di prossima generazione, senza indicare una percentuale esatta o un modello. Secondo il rapporto, alcune modifiche individuate con i modelli sono state inserite in un progetto inviato alla produzione; altre sono entrate nei file di progettazione per versioni future.
Perciò il 14% non descrive un aumento della velocità in ogni scheda grafica AMD: è il massimo riportato per un’IP specifica, rispetto a un riferimento ottimizzato, e riguarda il PPA complessivo.
Le modifiche a Jalapeño e i controlli con Synopsys
Per il chip d’inferenza Jalapeño, OpenAI stima riduzioni dell’area occupata dalle celle standard di circa il 13% nell’unità vettoriale e del 10% in quella matriciale. L’azienda afferma che queste modifiche sono state verificate sul silicio. Sono stime aggregate per le rispettive unità, distinte dai singoli esempi di riprogettazione.
In un esempio, la riprogettazione di un moltiplicatore dell’unità matriciale ha ridotto di circa il 15% l’area delle celle in sintesi e portato la latenza da due cicli di clock a uno. Un diverso intervento su un sommatore ha ridotto l’area di circa il 15%, mantenendo la latenza di due cicli.
Nel caso delle riscritture RTL di AMD, OpenAI riferisce che gli strumenti EDA di Synopsys sono serviti a verificare che i blocchi conservassero il proprio comportamento e a valutare i compromessi tra potenza, prestazioni e area. RTL, cioè la descrizione logica del circuito usata nella progettazione hardware, può essere riorganizzato senza cambiare il comportamento previsto; il controllo serve proprio a verificare quel vincolo.
Per un approfondimento sul chip d’inferenza, NeoTeo ha già raccontato Jalapeño: quel precedente riguarda il chip di OpenAI, mentre i risultati sui blocchi AMD descritti qui sono un filone distinto.
Che cosa misura il benchmark RISC-V
OpenAI ha valutato PicoRV32 e Ibex, due core RISC-V open source a 32 bit, sia ottimizzando core esistenti sia progettandone di nuovi a partire da specifiche scritte. La valutazione comprende 9.881 esecuzioni con punteggio.
Per l’ottimizzazione dei core esistenti, il sistema assegnava zero alle soluzioni che non superavano i controlli di correttezza in simulazione o la cui area superava 16 volte quella del core originale. Per le altre, il punteggio combinava la media geometrica delle istruzioni per ciclo su carichi di lavoro nascosti con la frequenza massima stimata da Yosys, uno strumento di sintesi hardware. Il miglior throughput osservato per ciascun core veniva normalizzato a 1,0; i punteggi medi comprendevano anche le esecuzioni con zero.
Questo rende i risultati confronti interni al benchmark, non misure assolute di throughput di un chip in produzione. A budget comparabili di circa 112.000 token per esecuzione, OpenAI riporta che GPT-6.2 Astra ha ottenuto il punteggio medio più alto su entrambi i core; GPT-6.1 Sol ha superato GPT-5.6 Sol su entrambi.
OpenAI riferisce anche punteggi più alti per tutti e cinque i modelli nel compito di progettazione da specifiche rispetto all’ottimizzazione di core esistenti, a quel budget. Una possibile ragione indicata dall’azienda è che partire da specifiche lascia al modello la possibilità di omettere funzioni del progetto originale, come contatori di prestazioni e istruzioni aggiuntive, che incidono poco sul throughput dei carichi usati nel benchmark. La conservazione di queste funzioni e controlli ulteriori renderebbero la prova più simile alla progettazione per la produzione.
Che cos’è GPT-Synopsys
OpenAI e Synopsys stanno collaborando per addestrare GPT-Synopsys all’uso degli strumenti EDA di Synopsys per la progettazione e la verifica dei chip. Il rapporto presenta questo lavoro come sviluppo di un modello, collegato ai controlli descritti per le riscritture RTL.