Видеокарты станут быстрее на 14%? Не спешите радоваться

1125
Видеокарты станут быстрее на 14%? Не спешите радоваться

Совместный эксперимент AMD и OpenAI показал, насколько быстрее может идти оптимизация микроэлектроники.

image

OpenAI сообщила, что её нейросети улучшили конструкцию графических процессоров AMD, добившись прироста инженерных показателей до 14%. Часть предложенных изменений уже попала в проект чипа, отправленный на производство, а оптимизации собственного ускорителя Jalapeño компания проверила на настоящем кремнии.

Совместная работа с AMD позволила улучшить характеристики вычислительных блоков, которые инженеры производителя до этого тщательно оптимизировали. Результаты оценивают по трём параметрам, известным как PPA: энергопотреблению, производительности и площади схемы. По оценке OpenAI, объём улучшений соответствует примерно году традиционной инженерной работы, хотя нейросети справились менее чем за пять месяцев.

AMD уже включила некоторые изменения в конструкцию одного из новых чипов и передала проект на изготовление. Другие решения добавили в рабочую документацию для будущих поколений процессоров. Конкретные модели видеокарт, архитектуры и сроки появления устройств компании не раскрывают. При этом заявленные 14% нельзя напрямую считать приростом скорости видеокарты в играх или приложениях. Речь идёт об улучшении характеристик отдельных аппаратных блоков, а не готового GPU целиком.

Нейросеть работала непосредственно с описанием электронных схем на языке SystemVerilog RTL. Такой код определяет, какие операции выполняет аппаратный блок, как передаются данные и взаимодействуют логические элементы. Модель переписывала отдельные участки, находила более компактные способы реализации вычислений и меняла организацию внутренних цепей. Вместо ручного перебора многочисленных вариантов инженеры получали готовые предложения для последующей проверки.

Корректность изменений контролировали с помощью инструментов Synopsys. Программы проверяли, сохраняет ли новая схема исходное поведение, а затем оценивали её энергопотребление, быстродействие и занимаемую площадь. Если нейросеть создавала более компактную конструкцию, но нарушала вычисления, такой результат не подходил. Автоматическая проверка позволяла повторять цикл оптимизации без изготовления физического образца после каждого изменения.

Похожие результаты OpenAI получила при разработке собственного ускорителя Jalapeño, предназначенного для выполнения больших языковых моделей. По оценке разработчиков, предложенные ИИ изменения сократили площадь стандартных логических ячеек в векторном вычислительном блоке примерно на 13%, а в матричном блоке на 10%. В отличие от новых проектов AMD, оптимизации Jalapeño уже прошли проверку при запуске изготовленного чипа.

Внутри Jalapeño нейросети перерабатывали сумматоры, умножители, схемы преобразования чисел и другие арифметические компоненты. Один из вариантов умножителя занял примерно на 15% меньше площади при синтезе логики, одновременно сократив задержку вычисления с двух тактов до одного. Отдельная оптимизация сумматора уменьшила его площадь примерно на 15%, сохранив прежнюю задержку в два такта. Дополнительную экономию обеспечило перераспределение операций между стадиями вычислений.

Сотрудничество с AMD затронуло и центральные процессоры. Производитель подтвердил улучшения PPA на несколько процентов в отдельных важных блоках будущего флагманского CPU, спроектированных с участием модели OpenAI. Точные результаты, название процессора и конкретные изменения микроархитектуры пока неизвестны. Компания также не представила подробных независимых испытаний готовых устройств, поэтому переносить результаты оптимизации схем на реальную производительность новых процессоров преждевременно.

Чтобы проверить, насколько хорошо нейросети справляются с подобными задачами, исследователи провели отдельные испытания на двух открытых 32-битных процессорных ядрах RISC-V. Для эксперимента выбрали компактный PicoRV32 и Ibex, используемый в проекте защищённого чипа OpenTitan. Моделям поручали увеличить количество исполняемых инструкций в секунду, сохранив правильность вычислений и соблюдая ограничения на размер схемы.

Всего исследование включало 9881 оценённый запуск с разными моделями и вычислительными бюджетами. При сопоставимом лимите около 112 тысяч токенов на попытку лучший средний результат на обоих ядрах показала GPT-6.2 Astra. На PicoRV32 её показатель оказался примерно вдвое выше, чем у GPT-6 Astra. Проверка учитывала правильность работы схем, скорость выполнения инструкций и оценочную максимальную тактовую частоту.

Отдельный эксперимент выявил любопытную закономерность. Все пять проверенных моделей лучше справлялись с созданием процессорного ядра по текстовому техническому заданию, чем с улучшением существующего проекта. Однако исследователи обнаружили возможную причину преимущества. При разработке с нуля нейросети могли исключать дополнительные инструкции и счётчики производительности, поскольку проверочные задачи практически не требовали таких возможностей. Поэтому результаты пока не доказывают, что ИИ способен самостоятельно проектировать полноценные коммерческие процессоры эффективнее инженеров.

Для дальнейшего развития технологии OpenAI и Synopsys в сентябре 2026 года объявили о создании GPT-Synopsys. Специализированную модель обучают пользоваться системами автоматизированного проектирования микросхем, самостоятельно запускать проверки, анализировать результаты и последовательно исправлять схемы. Финальную проверку корректности и готовности проекта к производству партнёры намерены сохранить за традиционными инженерными инструментами и специалистами.

Сам Jalapeño OpenAI представила совместно с Broadcom в июне 2026 года. На путь от начала непосредственного проектирования до передачи конструкции в производство ушло девять месяцев, причём нейросети участвовали в оптимизации аппаратных компонентов. Первые инженерные образцы уже выполняют задачи машинного обучения, а первоначальное развёртывание ускорителей запланировано до конца 2026 года.

Главное практическое значение новых результатов связано со стоимостью разработки микросхем. Если нейросети смогут регулярно находить улучшения в конструкциях, которые специалисты оптимизировали годами, производители получат возможность быстрее обновлять процессоры, сокращать площадь вычислительных блоков и снижать энергопотребление. Однако пока подтверждённые испытания на реальном кремнии относятся к Jalapeño, а изменения для AMD находятся на разных стадиях производственного цикла. Их влияние на характеристики серийных устройств ещё предстоит установить.