OpenAI 首次详细披露了与 AMD 合作中 AI 模型参与芯片设计的具体成果:在 AMD 即将推出的旗舰 GPU 上,AI 模型帮助实现了最高 14% 的 PPA(功耗、性能、面积)提升;同款模型对 AMD 新款 CPU 的优化则带来未具体说明的个位数 PPA 增益。

这项工作的关键在于,OpenAI 的模型直接改写了描述芯片电路的代码——使用的是高端芯片设计常用的 SystemVerilog RTL 语言。OpenAI 称,模型在 RTL 层面的推理能力达到了“专家级微架构师”的水平,并且能够发现通过重写代码带来的进一步改进。据其估算,模型完成的优化工作量相当于把传统芯片设计约一年的工作压缩到 不到 5 个月,这种时间压缩在该领域前所未有。

OpenAI 还表示,目前的提升只是起点,预计在 GPU 和 CPU 设计上还能在现有基线之上继续挤出更多 PPA 改进。这意味着 AI 辅助设计并非一次性实验,而可能成为持续迭代的流程。

这并非 OpenAI 首次涉足芯片设计。此前它已与 博通 合作设计了一款名为 Jalapeño 的推理专用芯片,该芯片的工程样片早在 2026 年 6 月 就已跑在实际工作负载上。OpenAI 计划在 2026 年底 左右进行小规模初始部署,更大范围推广则定在 2027 年。已有测试基准显示,在单 token 预测负载下,Jalapeño 相比市场领先的英伟达 Blackwell GPU 在功耗和整体延迟上有望实现显著节省。

为了评估模型的芯片设计能力,OpenAI 研究人员让高端大模型去优化 PicoRV32 和 Ibex 两种芯片核心。每次运行给模型 112,000 个 token,要求其优化吞吐量(每时钟指令数与时钟周期的综合指标),并对结果打分:如果芯片无法工作或面积超过原来的 16 倍,得分为零;在测试约束下表现最好的设计得 1.0 分。测试并未告知模型芯片将用于何种工作负载。结果显示,GPT-6.2 Astra 在两项指标上均大幅领先:总成本最低、优化得分最高。

另一项测试揭示了一个符合直觉但值得注意的现象:当模型根据初始规格重新设计芯片、而非优化现有代码时,效果更好。这暗示 AI 在芯片设计中的角色可能更偏向“从零生成”而非“修补”。

目前尚不清楚科学家是否使用了未经修改的 GPT 版本完成上述工作。市场上已有面向特定任务的高端大模型,OpenAI 也透露正与 Synopsys 合作训练 GPT-Synopsis,一个用于操作芯片设计工具的模型。若此类工具成熟,AI 有望进一步嵌入 EDA 流程,改变芯片设计的成本结构与人才需求。

对 AI 产业投资者而言,这一合作的意义在于:AI 模型正从“应用层”反向渗透到“芯片层”,既可能帮助 AMD 缩小与英伟达在能效上的差距,也可能让 OpenAI 在芯片设计工具链中占据一席之地。不过,PPA 提升能否转化为最终产品的市场竞争力,仍取决于量产、软件生态与客户采用情况。