OpenAI meldde op 18 november 2026 dat AI-modellen hielpen bij het aanpassen van AMD-chipontwerpen. Voor niet nader genoemde AMD-GPU-IP rapporteert het bedrijf een verbetering van maximaal 14% in PPA ten opzichte van sterk geoptimaliseerde uitgangsontwerpen. PPA staat voor vermogen, prestaties en chipoppervlak. De uitkomst is dus geen snelheidswinst van 14% voor AMD-GPU’s in het algemeen. OpenAI’s technische rapport beschrijft ook resultaten voor de eigen chip Jalapeño en benchmarks met RISC-V-processorkernen.
Wat OpenAI meldt over AMD-chipontwerp
Volgens OpenAI herschreven de modellen SystemVerilog-RTL: code die de structuur en werking van digitale schakelingen beschrijft. De maximale PPA-winst van 14% betreft AMD’s niet nader gespecificeerde vlaggenschip-GPU-IP en is afgezet tegen al sterk geoptimaliseerde ontwerpen. OpenAI geeft geen uitsplitsing van dat maximum naar vermogen, prestaties en chipoppervlak.
Voor belangrijke blokken van een toekomstige generatie vlaggenschip-CPU van AMD meldt OpenAI winst in de enkele procenten op PPA. Het bedrijf zegt daarnaast dat sommige wijzigingen zijn opgenomen in een ontwerp dat naar de productie is gestuurd; andere kwamen in ontwerpbestanden voor toekomstige versies terecht.
Jalapeño en de controle van RTL-wijzigingen
Voor Jalapeño rapporteert OpenAI een afname van het standaardceloppervlak met ongeveer 13% in de vectoreenheid en 10% in de matrixeenheid. Het bedrijf zegt dat deze wijzigingen op silicium zijn gevalideerd. Dat zijn schattingen voor de afzonderlijke eenheden; ze staan los van twee voorbeelden van specifieke schakelingen.
Bij één herontwerp van een vermenigvuldiger in de matrixeenheid daalde het celoppervlak bij synthese met ongeveer 15% en ging de vertraging van twee klokcycli naar één. Een apart herontwerp van een opteller verminderde het oppervlak eveneens met ongeveer 15%, terwijl de vertraging twee klokcycli bleef.
OpenAI zegt dat Synopsys-tools controleerden of de RTL-herschrijvingen voor AMD hetzelfde gedrag behielden en de afwegingen tussen vermogen, prestaties en oppervlak beoordeelden. Wie meer achtergrond zoekt over de inferentiechip kan ook onze eerdere berichtgeving over Jalapeño lezen.
Een PPA-winst krijgt pas betekenis wanneer duidelijk is welke ontwerpblokken zijn aangepast en hoe de benchmark die winst meet.
Wat de RISC-V-benchmark meet
OpenAI testte de open-source 32-bits RISC-V-kernen PicoRV32 en Ibex in twee soorten taken: bestaande kernen optimaliseren en een kern ontwerpen op basis van een geschreven specificatie. De evaluatie omvatte 9.881 gescoorde runs.
Bij de optimalisatietaak kregen ontwerpen een score van nul als ze simulatiecontroles niet doorstonden of meer dan zestien keer zoveel oppervlak innamen als de oorspronkelijke kern. Voor de overige ontwerpen combineerde OpenAI de geometrische gemiddelde waarde van het aantal instructies per cyclus over verborgen werklasten met de maximale klokfrequentie die Yosys schatte. Per kern werd de beste gemeten doorvoer op 1,0 gezet; het gemiddelde omvatte ook runs met een nulscores.
Bij vergelijkbare budgetten van ongeveer 112.000 tokens per run had GPT-6.2 Astra volgens OpenAI de hoogste gemiddelde score op beide kernen. GPT-6.1 Sol scoorde op beide hoger dan GPT-5.6 Sol. Dat zijn uitkomsten binnen deze taken en meetmethode, geen algemene ranglijst voor chipontwerp.
OpenAI meldt dat alle vijf geteste modellen bij die budgetten hoger scoorden op het ontwerpen vanuit een specificatie dan op het optimaliseren van een bestaande kern. Bij die eerste taak kunnen modellen functies weglaten die weinig bijdragen aan de gemeten doorvoer, zoals prestatiemeters en extra instructies. OpenAI noemt strengere oppervlaktegrenzen en timingcontroles na fysieke synthese als manieren om de evaluatie meer op productieontwerp te laten lijken.
De samenwerking rond GPT-Synopsys
OpenAI zegt met Synopsys te werken aan GPT-Synopsys, een model dat EDA-tools moet gebruiken voor chipontwerp en -verificatie. De samenwerking richt zich op modelontwikkeling en het gebruik van die ontwerptools.