事件概述
北京时间 11 月 19 日,OpenAI 发布技术报告《Advancing chip design with OpenAI models》,披露其利用人工智能模型辅助芯片设计的最新进展。报告称,模型不仅帮助自研 AI 推理芯片 Jalapeño 优化电路设计,还在与 AMD 的合作中,实现旗舰 GPU 关键 IP 模块最高 14% 的功耗、性能与面积(PPA)指标改善,部分成果已被 AMD 纳入近期提交制造的芯片设计,另一些则进入生产设计文件,计划用于未来版本。
在自研芯片方面,OpenAI 从 2025 年初开始使用 GPT-4o 参与 Jalapeño 设计。在向量计算单元中,模型通过调整浮点加法器、乘法器、数据转换逻辑及流水线结构,减少硬件资源占用与中间数据存储;在矩阵计算单元中,则针对浮点运算与低精度点积电路重新设计。其中一项乘法器优化使综合后标准单元面积减少约 15%,运算延迟从两个时钟周期缩短至一个;一项加法器优化在保持两周期延迟下同样实现约 15% 面积缩减。
OpenAI 估计,模型提出的设计修改最终使 Jalapeño 向量单元标准单元面积减少约 13%、矩阵单元减少约 10%,相关改进已在硅片调试验证中得到确认。在与 AMD 的合作中,模型通过重写描述芯片电路的 SystemVerilog RTL 代码,在原本已高度优化的设计上进一步改善 PPA,据称在不到五个月内完成了通常需要约一年才能取得的设计进展。
背景与解读
一、技术背景与演进脉络
AI 辅助芯片设计并非全新概念,电子设计自动化(EDA)领域早有机器学习用于布局布线、良率预测等单点环节。此次进展的特殊性在于,模型从”辅助工程师写代码”进一步进入电路底层与微架构优化环节:直接重写 RTL、调整加法器与乘法器结构,并给出可量化的面积与延迟改善。这标志着大模型开始触及芯片设计流程中技术门槛最高、最依赖资深工程师经验的部分。
二、核心驱动与底层机制
其底层逻辑在于,芯片设计存在大量可形式化描述、可自动验证的优化空间。浮点运算单元、数据转换逻辑与流水线结构都有明确的面积—功耗—延迟权衡关系,模型可以在庞大的设计空间中高效搜索人类工程师难以穷举的组合。当优化目标可量化、验证可自动化时,大模型的高吞吐试错能力便能转化为工程收益。此外,AMD 在已高度优化的设计上仍获得个位数到两位数百分比改善,说明这类方法对成熟设计的边际优化同样有效。
三、市场格局与产业链影响
若 AI 优化设计的能力被验证可规模化,将影响芯片产业的研发效率与竞争格局。一方面,它可能缩短设计周期、降低对资深设计人才的依赖,让后发者在特定 IP 模块上更快追赶;另一方面,EDA 工具链、IP 供应商与晶圆厂的协作方式可能随之调整。报告还提到 OpenAI 将能力应用于下一代旗舰 CPU 关键模块及开源 RISC-V 处理器设计,说明其目标不止于单一自研芯片,而是把 AI 设计能力本身平台化。
影响与趋势
短期看,这些成果仍需经过流片、量产与良率的完整验证,真实收益有待后续产品披露。中期看,AI 参与芯片设计能否从个案走向标准流程,取决于结果的可复现性与跨工艺节点的适配能力。观察变量包括:AMD 采用相关设计的产品何时量产、优化成果在其他工艺与架构上的迁移效果,以及主流 EDA 厂商是否集成了类似能力。
对产业参与者的启示
芯片设计团队可优先在目标明确、验证自动化的 IP 模块上试点 AI 辅助优化,把模型产出作为工程师设计的补充而非替代;EDA 与 IP 企业宜关注设计数据积累与验证闭环的构建,这决定了方法能否规模化;国内产业链在算力受限的背景下,更应重视设计效率提升这一”软性”杠杆,把 AI 辅助设计纳入缩短研发周期的长期能力建设。
本栏目内容为行业信息整理与技术观点分享,不构成任何投资建议。