OpenAIは2026年11月18日、AIが提案した回路変更の一部をAMDが製造に回したチップ設計に採用したと発表した。対象は主力GPUの設計資産で、すでに最適化されていた設計と比較して、消費電力・性能・面積を評価するPPA指標で最大14%の改善が得られたという。また、自社の推論チップ「Jalapeño」でも、演算回路を小型化する変更などを実際のチップの立ち上げ時に確認した。いずれもAIが変更したのは、回路の動作やデータの流れを記述するRTL(レジスタ転送レベル)の設計データだ。OpenAIは同じ発表で、公開されているCPUコアを使い、AIモデルが回路をどこまで改良できるかも評価している。
AMDが製造に回したGPU設計にAIの変更案を採用
OpenAIの11月18日の研究発表によると、AMDとの取り組みでは、AIモデルがSystemVerilogで記述されたRTLを変更し、Synopsysの設計支援ソフトを使って回路の動作を検証した。変更後も必要な機能が維持されているかを確認するとともに、消費電力・性能・面積への影響を評価している。AMDは提案された変更の一部を最近製造に回した設計に採用し、別の変更も将来の製品に向けた設計ファイルに取り入れたという。
GPUで報告された最大14%という改善率について、OpenAIは消費電力・性能・面積それぞれの変化や、改善率の計算方法、平均値を公表していない。また、最大の改善を示した変更案が製造に回した設計に採用されたものと同じかどうかも分からない。採用した製品名や実チップで測定した性能も明らかにされていない。
OpenAIは今回のGPU最適化について、通常なら約1年かかる進歩に相当する改善を5カ月未満で達成したと評価している。また、AMDは次世代の主力CPUでも、主要な回路ブロックで1桁台のPPA改善を確認したという。今回の発表で示された成果は、AMDではAIの変更案を採用した設計の製造への引き渡し、Jalapeñoでは変更を反映したチップの立ち上げ時の確認、RISC-Vではシミュレーションと論理合成ツールによる評価と、それぞれ検証段階が異なる。
Jalapeñoでは乗算器を小型化し、処理を1サイクルに短縮
OpenAIのチームによると、自社の推論チップ「Jalapeño」では、AIモデルの提案によってベクトルユニットの標準セル面積を約13%、行列ユニットでは約10%削減できたと推定している。論理合成とは、RTLで記述された回路を、あらかじめ用意された論理回路の部品である標準セルに変換する工程だ。標準セル面積は、使用するセルの面積を合計したもので、今回の削減率は各ユニットの変更前の面積を基準としている。
AIによる設計支援は2025年初めにGPT-4oを使って始まった。ベクトルユニットでは、浮動小数点の加算・乗算、数値変換、複数の値を集約する演算、特殊関数などを対象に改善案を探索した。演算を何段階に分けて処理するかも検討し、回路の共用や中間結果を保持する記憶回路の削減によって、面積を小さくできる部分を探したという。
行列ユニットに含まれる乗算器の一つでは、論理合成時のセル面積を約15%削減し、結果が出るまでの処理を2サイクルから1サイクルに短縮した。別の加算器では、結果が出るまでの2サイクルを維持したまま、面積を約15%減らしている。低精度の内積演算回路や、処理を複数の段階に分けるパイプラインの構成にも変更を加えた。
ただし、処理サイクル数の削減が、そのまま実行時間の短縮につながるわけではない。1サイクルの長さはクロック周波数によって決まり、処理段数を減らすと中間結果を保持する回路を削減できる一方、1段当たりの処理が増えて信号の伝搬に時間がかかる場合もある。さらに、Synopsysの物理合成に関する解説でも説明されているように、実際の回路ではセルの配置や配線による遅延も考慮する必要がある。そのため、サイクル数の違いが実行時間にどの程度影響するかは、最終的な動作周波数に左右される。
OpenAIは、これらの最適化を実チップの立ち上げ時に確認したとしている。ただし、各ユニットがチップ全体の面積に占める割合や、個々の変更による改善効果を切り分けた実測値は示していない。同社は8月25日のJalapeñoに関する報告で、初期設計から製造側に設計データを引き渡すテープアウトまでを9カ月で完了したと公表していた。今回の発表では、AIが具体的にどの演算回路の改良に役立ったのかが明らかになった。
RISC-Vの評価では、仕様からの新規設計が既存RTLの改修を上回る
OpenAIは、AIモデルによる回路設計能力を評価するため、組み込み機器向けの32ビットRISC-V CPUコア「PicoRV32」と「Ibex」を使った実験も実施した。課題は、既存RTLを改修する方法と、仕様から新たに設計する方法の2種類だ。後者では外部接続部分のコードの雛形と文章による要件を与え、データ経路やパイプラインの構成をモデルに任せた。動作の正しさを確認するテスト、メモリとキャッシュの設定、命令処理量の目標は、コアごとに共通の条件を設定している。
採点には、モデルに公開していない各ワークロードで測定したIPC(1クロック当たりの命令実行数)の幾何平均に、論理合成ツールYosysが推定した最大クロック周波数を掛ける方式を採用した。これにより、1秒当たりに実行できる命令数を推定する。シミュレーションによる検証に失敗した候補や、回路面積が元の設計の16倍を超える候補は0点となる。各コアについて同じ制約下で観測された最高の命令処理性能を1.0とし、0点になった試行も含めた平均得点でモデルを比較した。
約11万2,000トークンの予算では、GPT-6.2 Astraが既存RTLの最適化で両コアとも最高の平均得点を記録した。PicoRV32では、GPT-6 Astraの約2倍の得点だった。同程度のトークン予算で比較すると、GPT-6.1 Solも両コアでGPT-5.6 Solを上回っている。
一方、仕様から新たに設計する課題では、評価した5モデルすべてが両コアで既存RTLの改修より高い得点を記録した。GPT-6.2 Astraの平均得点はPicoRV32で0.7を超え、Ibexでは約0.75に達した。ただし、この得点には検証を通過した設計の処理性能だけでなく、検証に失敗して0点となった試行の割合も反映されている。
実験全体では9,881回の試行を実施しており、これには2種類の課題、2種類のCPUコア、すべてのトークン予算が含まれる。結果はOpenAIが実施した社内評価によるもので、設計データ一式やワークロード、使用した技術ライブラリなどの詳細条件は公開されていない。また、評価はシミュレーションと論理合成ツールに基づくもので、実チップでの測定結果ではない。
今回の結果を解釈するうえでは、採点基準と元のCPUコアの設計目標の違いも重要になる。PicoRV32の開発元が公開しているREADMEによると、同コアは回路面積の小ささと高い最大クロック周波数を重視して設計されている。一方、今回の評価では1秒当たりの命令実行数を採点するため、面積上限の範囲内で回路を増やし、より少ないサイクルで命令を処理する設計にも高得点を得る余地がある。
OpenAI自身も、仕様から新たに設計する課題では、既存の性能カウンターや追加命令などを省略できることが得点差の一因になった可能性を認めている。例えば、Ibexにはメモリの読み書きや乗算時の待ち時間などを記録する性能カウンターを構成できる仕組みがある。Ibexの開発文書によると、これらは命令の実行が遅くなった際に、メモリと演算処理のどちらが原因かを調べる手がかりになる。採点用のプログラムがこうした機能を使用しなければ、省略しても得点に影響しない場合がある。ただし、実際にどの候補がどの機能を省略したかは公表されていない。
AIによる回路設計の自動化と、製造前に必要な検証
OpenAIとSynopsysは9月30日、チップ設計向けAIモデル「GPT-Synopsys」を共同開発すると発表した。AIモデルが設計・検証ツールを操作し、得られた分析結果をもとに修正を繰り返す仕組みで、最終的な結果は人間の設計者が確認する構想だ。今回のAMDとの協業でも、AIモデルは既存の設計ツールを使って変更案を検証している。候補の生成と検証を繰り返し実行できれば、設計者が比較・検討できる回路構成の選択肢を増やせる。
実際の製品開発で効果を評価するには、AIが提案した変更案のうち、機能検証を通過する割合や、配置配線後にも維持されるPPA改善を調べる必要がある。設計者による確認や修正にかかる時間も含めて開発工数を削減できれば、その分の時間を別の回路の改良に充てられる。AMDとの取り組みでは、すでに最適化されていた設計から、製造に回せる変更案をAIが見つけるところまで進んだ。今後は、採用された変更が実際のチップの消費電力や性能にどの程度寄与したかが、成果を評価する材料となる。



