Actualización: la IA de OpenAI rediseña la GPU de AMD con un 14% de mejora y optimiza el chip Jalapeño

OpenAI publicó el miércoles (18 de noviembre) el informe técnico “Advancing chip design with OpenAI models”, que muestra que sus modelos de IA ya proponen mejoras de diseño que llegan al silicio real. El titular es la alianza con AMD: al reescribir el código que describe los circuitos (RTL en SystemVerilog) de la GPU insignia de la empresa, los modelos lograron hasta un 14% de mejora en PPA —la medida combinada de potencia, rendimiento y área— frente a una base ya fuertemente optimizada. Según OpenAI, el trabajo equivale a aproximadamente un año de progreso de optimización logrado en menos de cinco meses.

El resultado no quedó en el papel: AMD ya incorporó parte de los cambios propuestos por los modelos en un diseño enviado a fabricación y añadió el resto a sus archivos de diseño de producción para versiones futuras. La empresa también verificó mejoras de PPA de un solo dígito porcentual en bloques clave de su próxima CPU insignia, con diseños escritos por los modelos.

Jalapeño: el chip propio que demostró el método primero

Antes de AMD, OpenAI probó el enfoque en Jalapeño, su primer chip personalizado de inferencia. Los ingenieros empezaron a usar GPT-o3 mini para ayudar a diseñar el chip a principios de 2025, y los cambios propuestos por los modelos redujeron el área de celdas estándar en torno a un 13% en la unidad vectorial y un 10% en la unidad matricial —optimizaciones comprobadas en silicio durante la puesta en marcha del chip. Entre los ejemplos detallados, el rediseño de un multiplicador de la unidad matricial usó alrededor de un 15% menos de área de celda y redujo la latencia de dos ciclos de reloj a uno. Como Geekiki informó en octubre, Jalapeño ya funciona en hosts con CPUs AMD EPYC Turin; el informe de agosto de OpenAI decía que la ayuda de la IA llevó el chip del diseño inicial al tapeout en nueve meses.

Pruebas con RISC-V miden la evolución entre generaciones

Para medir cómo cambió la capacidad de diseño de chips de una generación de modelo a otra, OpenAI probó cinco modelos —GPT-6.2 Astra, GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol y GPT-5.5— en dos núcleos RISC-V de 32 bits de código abierto, PicoRV32 e Ibex, con un total de 9.881 ejecuciones evaluadas. Con un presupuesto comparable de unos 112.000 tokens por ejecución, GPT-6.2 Astra obtuvo la puntuación media más alta en ambos núcleos al optimizar RTL existente.

Hay una advertencia importante, hecha por la propia OpenAI: al diseñar un núcleo a partir de requisitos escritos, los modelos puntuaron más alto que al optimizar un diseño existente —pero partiendo de la especificación, pueden omitir funciones presentes en los núcleos originales, como contadores de rendimiento e instrucciones adicionales, lo que podría explicar parte de la ventaja. Exigir esas funciones y comprobar la temporización tras la síntesis física haría la prueba más cercana al diseño real de chips.

Siguiente paso: GPT-Synopsys

Para conectar las mejoras de los modelos con los sistemas de verificación que los ingenieros ya usan, OpenAI anunció una alianza con Synopsys para entrenar GPT-Synopsys, un modelo capaz de usar las herramientas de automatización de diseño electrónico (EDA) de la empresa como lo haría un diseñador de chips experto. El trabajo se apoya en el acuerdo plurianual anunciado el 30 de septiembre de 2026. Synopsys indicó que los datos de diseño de los clientes no se usarán para entrenar el modelo.

Las cifras merecen cautela: el 14% y las mejoras en CPU son resultados divulgados por OpenAI —AMD no ha publicado sus propias cifras, no se nombró ningún producto concreto de AMD y no hay mediciones de silicio AMD terminado. Aun así, que cambios propuestos por modelos ya estén en un diseño enviado a fabricación marca el paso del diseño de chips por IA de la demostración a la producción.

Fuentes

Imagen destacada: procesador AMD Ryzen 9 7900X; foto de CristoCalis, CC BY-SA 4.0, vía Wikimedia Commons.

Transparencia: este artículo fue producido con ayuda de inteligencia artificial, a partir del cruce de publicaciones públicas en X y de fuentes de internet. Consulta las fuentes originales para confirmar la información.

Por Muse