OpenAI Frontier-Modelle analysieren Hardwaredesigns auf RTL-Ebene, schlagen neue Schaltungsstrukturen vor und prüfen deren funktionale sowie PPA-Eigenschaften. Im Zentrum steht dabei eine praktische Frage: Lassen sich bei stark optimierten Chipdesigns noch nennenswerte Einsparungen bei Fläche, Leistung und Taktfrequenz finden, ohne das gewünschte Verhalten zu verändern?
So verbessert KI die Rechenblöcke von Jalapeño
OpenAI verwendet GPT-o3 mini bereits seit Anfang 2025, um den eigenen Inferenzchip Jalapeño zu entwickeln. Bereits dieses frühe Modell identifizierte Änderungen an den vektor- und matrixnahen Recheneinheiten, die sich im gefertigten Silicon bestätigten. Das Modell betrachtete die bestehende Raumplanung, suchte nach ungenutzten Flächen und verschob Arbeit zwischen den Stationen, ohne den Bauablauf oder die Funktion zu verändern.
Im Vektorblock profitierte vor allem die Logik für Fließkommaaddition und -multiplikation. Außerdem wurden Konvertierungsfunktionen, Reduktionsschaltungen und die Special-Function-Unit verbessert. Die Modelle untersuchten alternative Logikimplementierungen und betrachteten zugleich die Verteilung der Berechnungen über die Pipeline-Stufen. Dadurch konnten bestimmte Hardwareanteile gemeinsam genutzt und zusätzliche Zwischenspeicher vermieden werden.
Im Matrixblock summierten sich die Änderungen über Fließkommaadder, Multiplizierer und Dot-Product-Schaltungen für niedrigpräzise Rechenoperationen. Eine neu entworfene Multipliziererstruktur benötigte laut OpenAI in der Synthese rund 15 Prozent weniger Zellfläche und verkürzte zugleich die Latenz von zwei auf einen Taktzyklus. Eine separate Adder-Überarbeitung reduzierte ebenfalls etwa 15 Prozent der Zellfläche, behielt dabei aber die bisherige Latenz von zwei Zyklen bei.
Über den gesamten Entwurf von Jalapeño hinweg schätzten die OpenAI-Entwickler, dass die vom Modell vorgeschlagenen Änderungen die Standardzellenfläche im Vektorblock um etwa 13 Prozent und im Matrixblock um 10 Prozent verringerten. Diese Einsparungen wurden während der Silicon-Bring-up-Phase verifiziert. Entscheidend ist damit nicht nur, dass die Modelle gültige Schaltungen erzeugen. Die Ergebnisse wurden auf real gefertigter Hardware geprüft.
AMD nutzt modellbasierte Verbesserungen für GPU und CPU
Für die Arbeit mit AMD verfolgt OpenAI ein ähnliches Vorgehen, richtet sich jedoch auf bereits stark optimierte Referenzdesigns. Auf einer High-End-GPU-IP erreichte das Modell PPA-Verbesserungen von bis zu 14 Prozent gegenüber dieser Ausgangsbasis. Konkret bearbeitete es den SystemVerilog-RTL-Code, mit dem AMD die Schaltungen der GPU beschreibt, und suchte nach neuen Formen für Rechen-, Steuer- und Datenpfadlogik.
Der zeitliche Vergleich verdeutlicht die Größenordnung der Resultate: OpenAI spricht bei AMD von Fortschritten, die ungefähr einem Jahr herkömmlicher Entwicklungsarbeit entsprechen und in weniger als fünf Monaten erreicht wurden. AMD habe bereits einen Teil der Änderungen in ein aktuelles Design integriert, das zur Fertigung vorgesehen war. Weitere Verbesserungen seien in den Produktionsdateien für künftige Versionen aufgenommen worden.
Bei einer kommenden High-End-CPU von AMD bestätigte das Unternehmen zudem einstellige PPA-Gewinne in wichtigen Blöcken, deren Entwürfe vom Modell stammten. Damit reicht der Anwendungsfall über synthetische Benchmark-Aufgaben hinaus. Das Modell arbeitet in einem Bereich, in dem jede Änderung gegen bestehende Timing-, Flächen- und Verhaltensanforderungen verteidigt werden muss.
Für die Verifikation setzte OpenAI Synopsys-Werkzeuge ein. Sie prüften, ob die neu geschriebenen Blöcke dasselbe Verhalten wie zuvor zeigten und bewerteten die Zielkonflikte zwischen Leistung, Energieverbrauch und Fläche. Diese Form der Zusammenarbeit ist entscheidend: Ein sprachliches Modell kann einen überzeugenden Entwurf beschreiben, aber nur eine EDA-Suite kann systematisch zeigen, ob alle Randbedingungen eingehalten werden.
RISC-V-Tests messen die Weiterentwicklung der Modellgenerationen
Um die Entwicklung der Chipdesign-Fähigkeiten zwischen einzelnen Modellgenerationen zu vergleichen, testete OpenAI zwei offene 32-Bit-RISC-V-Kerne. PicoRV32 ist ein kompakter Kern für programmierbare Logik, während OpenTitan den eingebetteten Ibex-Prozessor als Bestandteil eines Sicherheitschips verwendet. Beide gehören zur Klasse der Mikrocontroller-Kerne und eignen sich deshalb als reproduzierbare Aufgaben mit klaren Schnittstellen und überschaubarem Verhalten.
Die Modelle erhielten die ursprüngliche Hardwarebeschreibung jedes Kerns und sollten dessen Durchsatz erhöhen. Gemessen wurde nicht nur die Anzahl ausgeführter Befehle pro Takt, sondern eine daraus abgeleitete Schätzung der Befehle pro Sekunde. Das ist wichtig, weil eine scheinbar bessere Pipeline einen längeren Taktzyklus verursachen kann. Eine sinnvolle Optimierung muss beide Effekte gemeinsam berücksichtigen, ähnlich wie eine schnellere Maschine langsamer laufen kann, wenn ihre neue Mechanik zusätzliche Zeit benötigt.
Jeder Entwurf musste die Simulationsprüfungen bestehen und durfte höchstens das 16-Fache der ursprünglichen Fläche beanspruchen. Für bestehende Entwürfe wurde die tatsächlich beobachtete Befehle-pro-Takt-Leistung mit einer per Yosys geschätzten maximalen Taktfrequenz verknüpft. Anschließend wurde der geometrische Mittelwert über verdeckte Workloads gebildet und das beste beobachtete Ergebnis je Kern als Referenzwert von 1,0 gesetzt. Fehlgeschlagene oder zu große Designs erhielten eine Bewertung von null, damit die Auswertung keine unbrauchbaren Entwürfe bevorzugt.
Mit einem vergleichbaren Budget von etwa 112.000 Tokens erreichte GPT-6.2 Astra auf beiden Kernen den höchsten Durchschnittswert. GPT-6.1 Sol übertraf GPT-5.6 Sol ebenfalls. Beim bestehenden PicoRV32 lag die mittlere Bewertung von GPT-6.2 Astra bei rund 112.000 Tokens ungefähr doppelt so hoch wie bei GPT-6 Astra. Beim Ibex-Kern stieg die durchschnittliche Leistung von GPT-6.2 Astra mit den größeren verfügbaren Tokenbudgets weiter, während GPT-6 Astra und GPT-6.1 Sol näher beieinander lagen.
Der Entwurf aus einer Spezifikation schneidet anders ab
In einer zweiten Aufgabe erhielten die Modelle keine bestehende RTL-Implementierung, sondern schriftliche Anforderungen und Vorlagen aus dem offenen Quellcode. Diese legten fest, wie sich der Kern in das übrige System integrieren sollte. Die Modelle durften selbst entscheiden, wie Daten durch die Einheit fließen und wie die Arbeit auf Pipeline-Stufen verteilt wird. Korrektheitsprüfungen, Speicher- und Cache-Konfigurationen sowie Durchsatzziele blieben mit der Optimierungsaufgabe vergleichbar.
Bei ungefähr 112.000 Tokens pro Durchlauf erzielten alle fünf getesteten Modelle höhere Werte als beim Umbau der vorhandenen Entwürfe. Das galt sowohl für PicoRV32 als auch für Ibex. GPT-6.2 Astra erreichte auf Ibex den größten Zugewinn, während die durchschnittliche Bewertung beim Entwurf aus der Spezifikation bei etwa 0,75 lag. Der PicoRV32-Durchschnitt lag bei rund 0,7. Insgesamt umfasste die Auswertung 9.881 bewertete Läufe über beide Aufgaben, beide Kerne und sämtliche Tokenbudgets.
Das Ergebnis sollte dennoch nicht mit einem vollständigen Produktionsvergleich verwechselt werden. Der Ausgangsspezifikation fehlten möglicherweise Funktionen der Originalimplementierung, etwa Performancezähler oder zusätzliche Befehle. Wenn diese Features auf den Test-Workloads kaum Einfluss haben, kann ihre Abwesenheit den Durchsatz scheinbar verbessern, ohne einen realen Vorteil bei vollständiger Chipintegration zu belegen.
Eine belastbarere Produktionsauswertung müsste solche Funktionen verbindlich voraussetzen, engere Grenzen für die Schaltungsfläche setzen und das Timing nach der physischen Synthese prüfen. Diese Einschränkungen schwächen die Aussage der aktuellen Zahlen nicht wesentlich. Sie zeigen, welche nächsten Prüfungen für einen vollständigen Design- und Fertigungsprozess nötig sind.
Synopsys bringt Frontier-Modelle in bestehende EDA-Workflows
Für den weiteren Ausbau der Fähigkeiten arbeitet OpenAI mit Synopsys zusammen. Dabei soll das speziell trainierte GPT-Synopsys-Modell EDA-Werkzeuge so verwenden wie erfahrene Chipdesigner. Der Ansatz verbindet die praktische Erfahrung der Toolchain mit der Fähigkeit moderner Modelle, neue Entwurfsräume systematisch zu erkunden.
Die bisherigen Resultate zeigen eine klare Tendenz. Frontier-Modelle können auf industriellen Referenzdesigns zusätzliche PPA-Gewinne erzielen, bestehende RTL-Beschreibungen auf Blockebene neu schreiben und neue Prozessorarchitekturen aus Anforderungen entwickeln. Der größere Nutzen entsteht dabei nicht nur aus einer einzelnen besseren Schaltung, sondern aus der schnellen Erschließung vieler möglicher Varianten, die anschließend mit EDA- und Siliziumtests bewertet werden.
Für die Chipindustrie bedeutet das eine Veränderung der Arbeitsteilung. Ingenieure definieren weiterhin Anforderungen, prüfen Kompromisse und tragen die Verantwortung für die physische Umsetzung. Modelle übernehmen aber zunehmend einen Teil der Suche im großen Lösungsraum. Wenn sich diese Zusammenarbeit in verlässlichen Produktionsabläufen bestätigt, wird KI-gestütztes Chipdesign von einer experimentellen Hilfsfunktion zu einem Instrument der Hardware Design Automation und zur PPA-Optimierung von GPU- und CPU-Designs.
Quelle: openai.com
