Akár 14 százalékkal kedvezőbb fogyasztás–teljesítmény–lapkafelület arányt (PPA) ért el az AMD készülő csúcskategóriás GPU-jának kulcsblokkjain az OpenAI november 18-i kutatási beszámolója szerint, amelyre a Tom’s Hardware is felhívta a figyelmet. Az OpenAI AMD chiptervezési együttműködése során nagyjából egyévnyi mérnöki optimalizálást sikerült kevesebb mint öt hónapba sűríteni, és az AMD több módosítást már egy friss, gyártásba küldött tervébe is beépített.
Mit módosítottak az AMD GPU- és CPU-blokkjain?
A két cég mérnökei az OpenAI nyelvi modelljeivel írták át a chipek logikai működését leíró SystemVerilog RTL-kódot, vagyis azt a hardverleíró réteget, amelyből később a fizikai tranzisztorhálózat készül. A módosításokat a Synopsys félvezető-tervező szoftverkörnyezetében (EDA) ellenőrizték, így a már eleve erősen optimalizált emberi alapverziókhoz képest is mérhető maradt a nyereség. A PPA mutató egyszerre nézi a fogyasztást, a számítási sebességet és a szilíciumterületet: ha ugyanakkora felületen gyorsabb vagy takarékosabb áramkör fut, az közvetlen versenyelőny a gyártásban.
Az OpenAI közlése szerint a GPU-részlegeken elért 14 százalékos csúcsjavulás mellett az AMD következő generációs csúcsprocesszorának fontos egységein is egyszámjegyű százalékos PPA-előrelépést igazoltak. Bár a közlemény nem nevezte meg pontosan a soron következő kliens- vagy szerverarchitektúrát – így például azt sem, mekkora része érinti majd a későbbi asztali Zen 6 processzorokat –, az AMD a további eredményeket már felvette a jövőbeli kiadások gyártási állományai közé is.
A Jalapeño-chipen tesztelték először élesben
Az OpenAI még 2025 elején kezdte éles szilíciumon próbára tenni ezt a módszert, amikor az OpenAI saját, Jalapeño kódnevű chipje készült a GPT-o3 mini segítségével. Ott a vektoregység szabványcella-területét nagyjából 13 százalékkal, a mátrixegységét pedig mintegy 10 százalékkal csökkentették a mérnökök és a modell közös iterációival.
A gyakorlati áramköri módosítások közül egy szorzóegység újratervezése körülbelül 15 százalékkal kevesebb cellaterületet igényelt, miközben a késleltetése két órajelciklusról egyre csökkent. Egy összeadóegységnél ugyancsak nagyjából 15 százalékos területmegtakarítást mértek a kétciklusos késleltetés megtartása mellett, és a kész chipek üzembe helyezése során a fizikai lapkán is igazolták ezeket az értékeket.
| Projekt / modell | Vizsgált terület | Mért eredmény |
|---|---|---|
| AMD készülő csúcs-GPU | SystemVerilog RTL-blokkok (Synopsys EDA) | Akár 14% PPA-javulás, <5 hónap alatt (~1 évnyi munka) |
| AMD következő csúcs-CPU | Kulcsfontosságú CPU-blokkok | Egyszámjegyű százalékos PPA-nyereség |
| Jalapeño (GPT-o3 mini) | Vektor- és mátrixegység | ~13% (vektor) és ~10% (mátrix) kisebb cellaterület |
| Jalapeño szorzó és összeadó | Aritmetikai részegységek | ~15% cellamegtakarítás, szorzónál 2-ről 1 ciklusra csökkenő késleltetés |
Hol tart a GPT-6.2 Astra a nyílt RISC-V teszteken?
Az OpenAI külön kiértékelési keretrendszert is közölt két nyílt forráskódú RISC-V processzormagon, az FPGA-ra szánt PicoRV32-n és az OpenTitanból ismert Ibex magon. A két feladattípuson és különféle tokenkereteken összesen 9881 pontozott futás gyűlt össze, ahol nagyjából 112 000 tokenes futásonkénti keretnél a Yosys által mért maximális órajel és egy rejtett tesztterhelés ciklusonkénti utasításszámának (IPC) szorzata adta a pontszámot; hibás működés vagy a referencia tizenhatszorosát meghaladó lapkaméret esetén nulla pont járt.
Mindkét magon a már tudományos problémákon is bevetett GPT-6.2 Astra végzett az élen: meglévő PicoRV32 RTL-kód átdolgozásánál körülbelül kétszeres pontszámot ért el a GPT-6 Astrához képest, miközben a GPT-6.1 Sol is megelőzte a GPT-5.6 Solt. Érdekes részlet, hogy írott specifikációból indulva könnyebben szereztek magas pontot a modellek (112 ezer tokennél 0,7 feletti átlagot a PicoRV32-n és közel 0,75-öt az Ibexen a GPT-6.2 Astra), mert a meglévő kód átírásával szemben elhagyhatták a nyers adatátvitelt nem segítő részeket, például a teljesítményszámlálókat és a kiegészítő utasításokat. A következő lépésként az OpenAI már a Synopsszal közösen tanítja a célzott GPT-Synopsys modellt az iparági tervezőszoftverekhez.