跳到主要內容

OpenAI 晶片設計進展:AMD 最高 14% PPA 改善,驗證走到哪一層?(2026)

最後更新: ·
OpenAI 晶片設計:模型改電路後的驗收問題

2026 年 11 月 18 日,OpenAI 在官網發布〈Advancing chip design with OpenAI models〉,把 OpenAI 晶片設計的進展,從自家 Jalapeño 延伸到 AMD。最值得追問的,是模型提出的電路修改,究竟通過了哪一層驗收?

OpenAI 晶片設計原始公告與發布日期
圖/OpenAI 官方公告,AlphaLab 擷取頁首並加上瀏覽器外框;點圖可讀原文。封面電路視覺亦取自該公告,經裁切排版,不代表 AMD 實體晶片照片。

原文的「最高 14%」很吸睛,但它指向特定 GPU IP 的功耗、效能與面積最佳化回報。這個數字不能直接換成整張顯卡快 14%,更不能當作上市產品的實測。下面先看原文交出了什麼,再核對工程機制與評測條件,最後判斷下一份證據該追到哪裡。

一、OpenAI 晶片設計的核心:改寫電路,再交給工具裁判

RTL 是描述電路資料如何移動、何時運算的硬體描述;SystemVerilog 是其中一種語言。可以把它想成工廠的作業配置:同樣要完成一次加法,哪些零件共用、哪一步先做、途中存多少資料,都可能有不同安排。修改文字只是提出新配置,工具與工程流程才負責檢查是否真的更好。

依原文,Jalapeño 的向量與矩陣單元是具體案例:模型探索算術電路、硬體共用與管線切分,團隊估計兩個單元的標準元件面積分別縮減約 13% 與 10%,並稱已在晶片啟動驗證中確認。單一乘法器案例則是綜合後元件面積少約 15%、延遲由兩週期變一週期。這些都是 OpenAI 的設計與驗證回報,不能把局部面積比例套到整顆晶片。

這也不是 AI 首次走進晶片設計。Google DeepMind 於 2024 年介紹 AlphaChip,重點是替電路區塊安排實體位置。這次文章著重改寫 RTL 與探索處理器架構;布局、電路實作與整體架構,是不同的最佳化層次。前一種方法的量產經驗,不能直接替後一種方法的成績背書。

二、AMD 的最高 14%:先問分母,再問製造階段

up to 14% improvement

中文:最高達 14% 的改善。

OpenAI,2026 年 11 月 18 日原文

這個短語中的「最高」需要保留。OpenAI 說,比較對象是已高度最佳化的 AMD 旗艦 GPU IP 基線;部分修改已納入送交製造的設計,其他修改放進未來版本的設計檔。原文另提到下一代旗艦 CPU 關鍵區塊的個位數百分比 PPA 改善。截至 11 月 20 日,本文採用的是 OpenAI 的對外陳述,不把其中「AMD 已驗證」的描述升格為獨立公開重現。

PPA 把 power、performance、area 放在一起討論,意思是功耗、效能與面積之間的取捨;它不是一個天然通用的「速度百分比」。讀到 14%,應繼續問:改善哪個區塊、採哪個指標、其他條件是否固定,以及最後物理實作留下多少收益。這份公告的摘要不足以讓讀者重算一顆完整 GPU 的提升。

用一個純算術例子就能看出差別:假設某區塊占總面積的 10%,該區塊面積縮減 14%,其他部分不動,總面積只縮減 1.4%。這是 10% × 14% 的假設示例,不是 AMD 的面積配置,也不是本文對 AMD 的估算。如果改善的是速度,還要看該區塊是否正好卡住整個工作負載。

「送交製造」回答的是設計採納已走到哪一步;工作晶片、產品驗證與規模交付,各自還有不同考題。原文把 Jalapeño 的矽晶驗證與 AMD 的送交製造分開敘述,報導也應保留這個差別。若要理解局部算力為什麼不會原封不動轉成工作速度,可對照 Strata 雙顯卡的資料搬運案例,先辨認整體瓶頸。

三、RISC-V 成績在量什麼?吞吐量、面積與失敗一起讀

OpenAI 另外用 PicoRV32 與 Ibex 兩款開源 32 位元 RISC-V 核心,比較「修改既有 RTL」與「依規格重新設計」兩種任務。公司報告在約 112,000 Token 的可比預算下,GPT-6.2 Astra 在兩個核心的平均分數較高;全套評估涵蓋 9,881 次計分執行。這是 OpenAI 的模型評估,並非 AlphaLab 實測。

它的做法是先以模擬檢查輸出,失敗或面積超過原核心 16 倍的設計記零分;通過者再以隱藏工作負載的每週期指令數,結合 Yosys 估計的最高時脈,計算吞吐量估計。分數相對同條件下觀察到的最佳吞吐量正規化,平均也包含零分。分數 0.7 不能讀成「七成產品可量產」,相對分數翻倍也不等於商用 CPU 效能翻倍。

OpenAI 晶片設計評測:PicoRV32 既有 RTL 最佳化曲線
圖/OpenAI,PicoRV32 既有 RTL 最佳化評測;AlphaLab 擷取並保留座標與圖例。橫軸是加權 Token 成本,縱軸是平均正規化分數;曲線不是 AMD GPU 實測。

圖上的橫軸寫的是加權 Token 成本,並標示 prefill 權重。它描述這套評估中的模型投入,不能直接當成不同供應商帳單上的美元。比較「哪個模型更划算」,還要加上工具執行、失敗重跑與驗證時間;GPT-6.2 的成本與編碼評測分析也提醒,相同模型在不同考卷上可以出現不同進步幅度。

四、從規格重寫更高分,可能也因為少背了一些責任

such as performance counters and additional instructions

中文:例如效能計數器與額外指令。

OpenAI,2026 年 11 月 18 日原文

原文主動交代:依文字規格重寫時,模型有空間省略原核心的一些功能,上面兩類就是例子;這可能解釋一部分分數優勢。它也提出更貼近產品設計的方向:要求保留那些功能、收緊面積限制,並在物理綜合後檢查時序。這個自我限定,應與較高分的曲線一起閱讀。

OpenAI 晶片設計評測:PicoRV32 依文字規格產生 RTL
圖/OpenAI,PicoRV32 依規格產生 RTL 的評測;AlphaLab 擷取並保留座標與圖例。應與前圖在同一核心、相同評分定義下比較,並注意允許功能範圍。

這種取捨有獨立的工程根據。PicoRV32 官方程式庫列出可配置的計數器、暫存器檔與管線選項;Ibex 官方執行單元文件也說明,不同乘法器實作在週期、面積與綜合工具之間取捨。它們支持「功能與配置會影響面積及速度」這個機制,並不獨立驗證 OpenAI 的模型排名。

因此,從頭重寫的自由度值得研究,但要把問題說完整:是在相同完整需求下找到更好電路,還是在一份較精簡的需求下,找到更適合考題的電路?兩者都有用途,卻回答不同問題。若省略的功能恰好是產品需要的除錯、觀測或例外處理,測試更快仍未完成同一份交付。

五、驗證工具才是這個迴圈能擴大的支點

Synopsys 的等價性檢查說明把工作界定為:比較兩種設計表示是否維持相同行為。這與「新設計在幾個例子上看起來答對」是不同證據;形式驗證的價值,在於檢查特定假設下的行為一致性。它也不能單獨替散熱、功耗、時序或產品所有需求簽收,那些仍要有各自的驗收。

商業合作的時間也要釘清楚。Synopsys 的 GPT-Synopsys 公告發布於 2026 年 9 月 30 日,已提出多年合作、工具授權與共同市場安排;11 月文章是在交代技術進展,不能寫成合作才剛成立。該合作公告支持研發方向與供應安排,並不是 AMD 14% 成績的外部審計。

原文期待的下一步,是讓模型更熟練操作 EDA,也就是電子設計自動化工具:讀取結果、修改設計、再次量測。模型提出候選,工具提供可檢查的回饋;若想補上這種分工,可讀 Agent Harness 的模型與執行層。這裡的關鍵不在於模型如何描述自己,而是錯誤候選能否被可靠攔下。

六、AlphaLab 的判讀:有價值的回饋循環,仍要穿過完整驗收

我同意:小區塊的真改善,也值得重視

成熟電路已經歷多輪人工最佳化,繼續搜尋替代寫法的成本很高。如果模型能更便宜地提出候選,而既有流程能淘汰錯誤,局部收益就可能累積。這個價值不需要靠「一顆 GPU 變快 14%」來放大;它來自更多可接受的設計選項,以及工程師能否把時間移到更難的約束。

我存疑:把幾個採納案例,外推成整段設計工作已自動化

採納的案例告訴我們路走得通,卻還需要全部嘗試的分母:失敗了多少次、用了多少工具時間、工程師改了多少,以及哪類區塊特別容易失效。沒有這些數據,就難以比較整個流程的淨收益。本文不據此判定成果失真;它界定的是讀者能外推到哪一步。

真正值得追蹤:驗收能力能否跟著搜尋能力一起成長

AI 協助改善晶片,晶片再提供更多 AI 運算,確實構成可能的正向回饋。但其中還隔著設計凍結、製造、封裝、軟體與部署。搜尋變快,不代表每一段都按同樣比例縮短;每次更動仍須保留其適用條件。AI 自我改進的敘事分析可以延伸理解這個回圈,但不能代替這次硬體成果的證據。

七、下一步:追三份可對帳的工程證據

追蹤產業的人,先看同一個改善是否從「區塊設計」走到「回來的工作晶片」,再走到「同條件的系統工作負載」。每往後一層,都核對量測對象與基線,避免一個百分比在轉述中悄悄換了分母。

負責工程評估的人,可以向供應商要三份紀錄:完整功能與驗證假設、固定實作條件下的 PPA 對照,以及包含失敗與人工投入的總成本。它們分別回答做對了什麼、省在哪裡、是否值得擴大。涉及未公開 RTL 或製程資料時,先核對工具與模型服務的資料處理權限,再決定哪些材料能送出。

OpenAI 晶片設計這次值得注意的進展,是模型提案開始接到可採納的工程修改;值得正式擴大採用的理由,則應是完整約束下仍能驗出收益。下次再看到「AI 設計的晶片」,先問一句:這次的驗收,走到了哪一層?

接著閱讀

左右滑動查看更多推薦

ALPHALAB 社群

有問題?來 Telegram 聊

和 Terry、編輯、其他網友一起討論這篇文章。提問、分享觀點,回覆更即時。

加入 Telegram 討論

📩 訂閱 AlphaLab 電子報

週日 Weekly 週報+週二、週四 Alpha Signal,每週最多三封。

我們不會 spam,隨時可退訂。已訂閱?管理訂閱偏好(會寄登入連結到你的信箱)

主題篩選與退訂說明

寄送日期以台灣時間為準。主題偏好會篩選每期精選,並非每篇新文章的即時通知;當期符合主題的文章不足時會略過寄送。

未勾選任何主題會收到所有主題的精選,並不會停止寄信。

取消勾選 Alpha Signal 可停止週二、週四短報,仍保留週日週報。若要停止所有電子報,請使用信件底部的「取消訂閱」。