OpenAI 与 Synopsys 联手打造能像资深工程师一样设计芯片的 AI 模型

OpenAI 与 Synopsys 已签署一项多年战略合作，以构建一个名为 GPT-Synopsys 的专用芯片设计 AI 模型。

Synopsys 制造电子设计自动化（EDA）工具，即工程师用来设计计算机芯片和半导体的软件。

GPT-Synopsys 将 OpenAI 的 AI 技术与 Synopsys 的 EDA 工具结合起来。

OpenAI 正在为该项目授权使用 Synopsys 的 EDA 工具。

目标是打造一个能够“对芯片设计与验证进行推理，并直接操作 Synopsys 工具”的模型。

工程师将委派设计目标，并审查和批准输出。

该模型将在 OpenAI 的基础设施上运行。

两家公司表示，客户数据不会用于训练，并将以加密形式存储。

面向半导体客户的早期测试已经在进行中。

两家公司将共同营销该产品并分享收入。

Synopsys 首席执行官 Sassine Ghazi 表示，AI 可以显著加快设计流程。

OpenAI 联合创始人 Greg Brockman 认为，这一合作是通往更好芯片和更好 AI 的路径。

OpenAI 已经在与 Broadcom 合作开发专门用于运行 AI 模型的芯片。

最近发布的 Jalapeno 芯片在与类似专用芯片相比时非常有竞争力。

订阅 THE DECODER，可享受无广告阅读、每周 AI 新闻通讯、我们每年六期的独家“AI Radar”前沿报告、完整档案访问以及访问我们评论区的权限。

OpenAI 与 Synopsys 签署多年战略合作，将共建名为 GPT-Synopsys 的芯片设计专用 AI 模型，结合 OpenAI 的 AI 技术与 Synopsys 的 EDA 工具。模型目标是推理芯片设计与验证，并直接操作 Synopsys 工具；工程师委派目标并审核输出，模型运行在 OpenAI 基础设施上。双方称客户数据不用于训练且加密存储，半导体客户早期测试已开始，未来共同营销并分享收入。

• OpenAI 与 Synopsys 签署多年战略合作，将共建名为 GPT-Synopsys 的芯片设计专用 AI 模型，结合 OpenAI 的 AI 技术与 Synopsys 的 EDA 工具。模型目标是推理芯片设计与验证，并直接操作 Synopsys 工具；工程师委派目标并审核输出，模型运行在 OpenAI 基础设施上。双方称客户数据不用于训练且加密存储，半导体客户早期测试已开始，未来共同营销并分享收入。
• 原贴提到：OpenAI and Synopsys have signed a multi-year strategic partnership to bu
• 来源：the-decoder.com

这是什么信号：OpenAI 与 Synopsys 签署多年战略合作，要共建名为 GPT-Synopsys 的专用芯片设计 AI 模型。Synopsys 是 EDA 工具厂商，其软件被工程师用于设计计算机芯片和半导体。该模型要把 OpenAI 的 AI 技术与 Synopsys 的 EDA 工具结合，OpenAI 为项目授权使用 Synopsys 的 EDA 工具。目标不是只做问答，而是能“对芯片设计与验证进行推理，并直接操作 Synopsys 的工具”。工程师将委派设计目标，并审查和批准输出；模型运行在 OpenAI 的基础设施上。双方称客户数据不会用于训练，并将加密存储，面向半导体客户的早期测试已经开始，未来共同营销并分享收入。

为什么重要：芯片设计是 AI 算力与半导体产业的底层环节，EDA 又是芯片设计的关键软件入口。若模型真能直接操作 EDA 工具，AI 在垂直工程软件中的角色会从“辅助建议”走向“可执行代理”，这会改变设计验证工作流：工程师从逐步操作转向设定目标、审核结果和处理异常。对 OpenAI 来说，这是进入高价值专业工具链和行业数据场景的一步；对 Synopsys 来说，这是把既有 EDA 入口与大模型能力结合、提高工具粘性和设计效率的机会。数据不用于训练与加密存储的承诺，也会直接影响半导体客户是否愿意让 AI 接触敏感设计数据。

对谁有价值：芯片与半导体公司的设计、验证工程师和 CAD/IT 团队，可以关注哪些设计任务适合委派给模型、哪些必须人工批准；EDA 与工业软件厂商可观察工具如何开放给 AI 代理操作；AI 模型与基础设施团队可研究专业工具操作、验证闭环和企业数据隔离；投资与战略团队则能把这次合作视为“垂直 AI 代理进入高门槛工程软件”的案例。OpenAI 此前与 Broadcom 合作专用 AI 芯片、以及 Jalapeno 芯片的竞争表现，也说明其在芯片与算力链路上持续布局，但本次合作的核心仍是 EDA 设计模型，而非直接造芯片。

可以怎么行动：第一，梳理内部芯片设计验证流程，挑出规则明确、可验证、容错相对高的环节做 AI 试点，例如约束检查、脚本生成、回归结果归纳或工具操作自动化。第二，建立“模型执行—工程师审核—留痕回滚”的关卡，避免把未经验证的输出直接进入最终设计交付。第三，法务、安全与数据团队提前确认训练数据边界、加密存储、知识产权和审计条款。第四，跟踪早期测试反馈与产品化进度，评估是否需要在 EDA 采购和 AI 工具链中预留接口与预算。

风险或限制：目前公开信息仍停留在合作与早期测试阶段，未披露性能基准、定价、正式可用时间和支持范围；芯片设计验证对错误容忍度极低，模型即使能操作工具，也需要严格人工审核与责任划分。客户数据承诺需要合同、技术与审计机制落地，不能只看原则声明。此外，深度绑定单一 EDA 工具与单一模型基础设施，可能带来议价、迁移和生态依赖问题；若模型操作能力不成熟，反而增加验证成本。因此，短期内更合理的预期是提升局部效率与辅助决策，而非完全替代资深工程师。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《OpenAI 与 Synopsys 联手打造能像资深工程师一样设计芯片的 AI 模型》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Matthias Bastian 原帖