Вектор учёбы

ИИ OpenAI оптимизировал графический чип AMD на 14 % — годовую работу инженеров нейросеть выполнила за пять месяцев

OpenAI рассказала о прогрессе в использовании своих моделей искусственного интеллекта при разработке процессоров. ИИ помогает создавать новые схемы и изыскивать новые способы повысить скорость работы и сократить площадь существующих микросхем. Способности моделей проверили на собственном ускорителе OpenAI Jalapeño и на чипах AMD.

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Сравнительный тест камер флагманских смартфонов (2026): итоги

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Гид по выбору складного смартфона в 2026 году

Топ-10 смартфонов до 20 тысяч рублей (2026 год)

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

OpenAI приступила к работе над Jalapeño в начале 2025 года — тогда для этого использовалась модель GPT-o3 mini. В векторном блоке, который отвечает за выполнение параллельных вычислений, ИИ помог оптимизировать сумматоры и умножители, блоки преобразования данных и узлы специальных операций. Модель повысила эффективность логических схем и перераспределила вычисления между этапами конвейера — в результате для разных операций стали использоваться одни и те же аппаратные компоненты, а объёмы данных, временно хранящихся в памяти, сократились.

Переработав умножитель, модель сократила занимаемую им площадь на 15 % и уменьшила время выполнения операции с двух тактов до одного; площадь сумматора также уменьшилась на 15 % при сохранении прежней задержки в два такта. Предложенные ИИ оптимизации помогли сократить площадь стандартных ячеек векторного блока, по оценке, примерно на 13 %, а матричного — на 10 %.

В рамках сотрудничества с AMD модели OpenAI помогли улучшить характеристики ключевых блоков флагманского графического процкессора компании по трём направлениям: энергопотреблению, производительности и площади (PPA — Power, Performance, Area). По данным OpenAI, модели удалось улучшить совокупные показатели PPA на величину до 14 % относительно уже тщательно оптимизированных исходных проектов. Модель предлагала изменения в RTL-коде SystemVerilog — языке описания цифровых схем на аппаратном уровне. При этом она анализировала не только вычислительные блоки, но и схемы управления и передачи данных. По оценке OpenAI, менее чем за пять месяцев удалось достичь прогресса, на который при традиционном подходе потребовался бы примерно год.

Часть предложенных изменений AMD уже включила в один из проектов, отправленных на производство, а другие добавила в проектную документацию для использования в будущих версиях чипов. Кроме того, компания подтвердила прирост показателей PPA на несколько процентов в ключевых блоках флагманских центральных процессоров следующего поколения, разработанных с помощью моделей OpenAI. Проверка схем проводилась с использованием инструментов Synopsys: они позволили убедиться, что после изменений блоки сохранили исходное поведение, а также оценить компромиссы между энергопотреблением, производительностью и площадью кристалла.

OpenAI сравнила возможности моделей двух поколений, проведя испытания на двух открытых процессорных ядрах с архитектурой RISC-V: PicoRV32, рассчитанном на программируемые микросхемы, и Ibex, которое используется в OpenTitan. Моделям поставили задачу повысить производительность готовых ядер, а затем спроектировать процессор заново по описанию требований. В испытаниях с сопоставимым объёмом вычислений — около 112 тыс. токенов на один запуск — лучший результат на обоих ядрах показала GPT-6.2 Astra, а GPT-6.1 Sol превзошла GPT-5.6 Sol.

При создании процессора с нуля все пять моделей показали более высокие оценки, чем при попытках улучшить уже существующую схему. Всего в рамках исследования было проведено 9881 испытание. Преимущество проектирования процессора с нуля состоит в том, что в новую схему можно не включать некоторые функции исходного процессора, которые почти не влияют на результаты заданных тестов. С другой стороны, это значит, что подобные испытания не вполне отражают реальные условия разработки: при строгой проверке следует учитывать обязательные функции, ставить более жёсткие ограничения на площадь чипа и проверять схему после физического проектирования.

Далее OpenAI намерена сотрудничать с Synopsys. Две компании разрабатывают ИИ-модель GPT-Synopsys, которая сможет использовать средства автоматизированного проектирования и проверки схем так, как это делают опытные разработчики чипов.

Источник: sportivnyyritm.ru

Последние новости

Открыть предложение