OpenAI 称其模型在 AMD 已有工程基础上,取得相当于一年的芯片优化进展
OpenAI 与 AMD 合作,在不到五个月内把 AMD 旗舰 GPU IP 的 PPA 提升最高 14%,据其说法相当于在 AMD 工程师多年优化之上再叠加约一年进度;同一方法也用于 OpenAI 首款自研推理芯片 Jalapeño。OpenAI 还在与 Synopsys 合作 GPT-Synopsys,Anthropic 则称其 Mythos 模型把原本六到十二个月的芯片相关工作压缩到三天。
原贴
查看原文原文
中文翻译
在与 AMD 合作的过程中,OpenAI 在不到五个月内在 AMD 的旗舰 GPU IP 上实现了最高 14% 的 PPA(功耗、性能与芯片面积)提升。
据 OpenAI 称,这相当于在 AMD 工程师已经优化多年的设计之上,再取得约一年的进展。
OpenAI 表示,AMD 已将部分改动纳入一款已送交制造的设计中。
同样的方法也帮助了 Jalapeño,这是 OpenAI 的首款自研推理芯片。
在针对开源 RISC-V 处理器核心的测试中,新的 GPT-6.2 Astra 模型在各代模型中取得了最佳结果。
OpenAI 还在与 Synopsys 合作开发 GPT-Synopsys,该模型使用 Synopsys 的 EDA 工具,让 AI 辅助的芯片设计更广泛可及。
Anthropic 也在芯片工作中使用 AI。
其 Mythos 模型在 AMD MI355X GPU 上仅用三天就完成了某模型的提示词处理,而 Anthropic 称这项任务通常需要六到十二个月。
该公司现在在四类芯片上运行 Claude,以优化每美元的成本与性能。
核心信息
OpenAI 与 AMD 合作,在不到五个月内把 AMD 旗舰 GPU IP 的 PPA 提升最高 14%,据其说法相当于在 AMD 工程师多年优化之上再叠加约一年进度;同一方法也用于 OpenAI 首款自研推理芯片 Jalapeño。OpenAI 还在与 Synopsys 合作 GPT-Synopsys,Anthropic 则称其 Mythos 模型把原本六到十二个月的芯片相关工作压缩到三天。
- OpenAI 与 AMD 合作,在不到五个月内把 AMD 旗舰 GPU IP 的 PPA 提升最高 14%,据其说法相当于在 AMD 工程师多年优化之上再叠加约一年进度;同一方法也用于 OpenAI 首款自研推理芯片 Jalapeño。OpenAI 还在与 Synopsys 合作 GPT-Synopsys,Anthropic 则称其 Mythos 模型把原本六到十二个月的芯片相关工作压缩到三天。
- 原贴提到:Working with AMD, OpenAI achieved up to 14 percent PPA improvement (powe
- 来源:the-decoder.com
详细解读
这是什么信号
这不是“AI 帮忙写点脚本”级别的辅助,而是大模型直接进入了芯片设计里最硬的一环:PPA 优化。OpenAI 与 AMD 合作,在不到五个月内把 AMD 旗舰 GPU IP 的功耗、性能、面积做到最高 14% 的提升,并声称这相当于在 AMD 工程师多年优化结果之上再加约一年进度。更关键的细节是,AMD 已经把其中一部分改动放进了一款送交制造的正式设计里——这意味着结果已经走出实验报告,进入流片路径。
同一套方法还被用在 OpenAI 首款自研推理芯片 Jalapeño 上,并在开源 RISC-V 核心的测试里由 GPT-6.2 Astra 取得跨代最佳结果;OpenAI 还在与 Synopsys 合作 GPT-Synopsys,试图把 AI 辅助芯片设计接到主流 EDA 工具链上。另一侧,Anthropic 称其 Mythos 模型把原本六到十二个月的任务压到三天,并已让 Claude 跑在四类芯片上以优化性价比。三家一线玩家在同一时间点给出同类信号,说明“模型参与芯片设计”已从概念验证转入工程化试点。
为什么重要
芯片设计的瓶颈长期不是想法,而是迭代速度:架构探索、验证、后端收敛动辄以季度计。如果模型能把一轮优化从“年”压到“几个月”,改变的不只是单个 IP 的 PPA 数字,而是整个设计团队的时间预算——同样的工程师人数,一年能跑的方案数量成倍增加。14% 的 PPA 在成熟 IP 上属于显眼数字,因为它是在工程师已经把常规空间榨干之后拿到的,这正是 AI 相对人类经验的增量价值所在。
第二层意义在工具链。GPT-Synopsys 这类合作指向的不是替代 EDA,而是把自然语言与模型推理插进现有流程,让原本需要资深专家手写的优化探索变成可批量调用的能力。谁先把模型与自家流程、自家数据闭环打通,谁的迭代频率就更高。
对谁有价值
- 芯片与硬件团队负责人:可作为评估“AI 辅助设计”投入产出比的现实参照,重点看流片落地这一条。
- 自研芯片的 AI 公司:Jalapeño 的案例说明自研推理芯片同样能吃到这套方法,模型公司与芯片团队的边界在变薄。
- EDA 与半导体工具厂商:GPT-Synopsys 是明确的方向提示,工具层的 AI 化竞争已经开始。
- 算力采购与基础设施团队:Anthropic 用四类芯片优化每美元性能的做法,提示“多芯片组合”正在成为常规策略。
可以怎么行动
务实的第一步不是买模型,而是找出团队里“迭代次数受限于人力”的环节——通常是架构探索、参数扫描、后端收敛与验证用例生成——先用模型把这类环节的试错成本打下来,再谈端到端。第二步是建数据闭环:模型要在自家历史设计、失败案例和约束条件上工作才有意义,公开数据只能做演示。第三步设验收口径,像这次一样用 PPA、迭代轮次、收敛时间这类可量化指标对齐,而不是用“AI 参与度”自我安慰。
风险与限制
需要保持清醒:14% 与“相当于一年”都是 OpenAI 一方的表述,目前没有第三方复现或独立基准;“部分改动已进入送交制造的设计”也不等于量产验证通过,芯片的真实考验在良率、可靠性与上市后的现场表现。PPA 提升往往伴随约束条件,面积、功耗与性能三者之间的取舍未必在所有场景都成立。
此外,芯片设计里错误代价极高,模型给出的优化需要形式验证与人工复核兜底,短期内它更像是把搜索空间扩大、把候选方案变多的加速器,而不是签字的人。对从业者来说,压力不在于被替代,而在于经验型优势被稀释——过去靠多年手感积累的调优空间,正在被可批量调用的模型探索蚕食。
信息差价值
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 称其模型在 AMD 已有工程基础上,取得相当于一年的芯片优化进展》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。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
OpenAI 称其模型在 AMD 已有工程基础上,取得相当于一年的芯片优化进展主要讲什么?
OpenAI 与 AMD 合作,在不到五个月内把 AMD 旗舰 GPU IP 的 PPA 提升最高 14%,据其说法相当于在 AMD 工程师多年优化之上再叠加约一年进度;同一方法也用于 OpenAI 首款自研推理芯片 Jalapeño。OpenAI 还在与 Synopsys 合作 GPT-Synopsys,Anthropic 则称其 Mythos 模型把原…
这篇文章最值得关注的要点是什么?
OpenAI 与 AMD 合作,在不到五个月内把 AMD 旗舰 GPU IP 的 PPA 提升最高 14%,据其说法相当于在 AMD 工程师多年优化之上再叠加约一年进度;同一方法也用于 OpenAI 首款自研推理芯片 Jalapeño。O…;原贴提到:Working with AMD, OpenAI achieved up to 14 percent PPA improvement (powe;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在AI副业、AI工具专题里阅读。 关联原因:这篇内容命中「项目、小生意、变现」等主题信号。;这篇内容命中「模型」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI工具、工具、自动化、模型、Cursor这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。