OpenAI publicó nuevos detalles de su alianza con AMD, en la que ingenieros usaron modelos de IA, cuyo nombre no se informó, para optimizar los diseños de la próxima GPU insignia y de las próximas CPU del fabricante. La cifra principal es una mejora de hasta 14% en PPA (potencia, rendimiento y área, por sus siglas en inglés) en los circuitos de la GPU. En el procesador las ganancias de PPA fueron de un dígito, sin un porcentaje exacto, informó Tom's Hardware el 20 de noviembre.

Según OpenAI, su modelo encontró "mejoras adicionales reescribiendo el código que describe los circuitos del chip". El trabajo se hizo en RTL escrito en SystemVerilog, el lenguaje habitual del diseño de chips de gama alta. La empresa afirma que la optimización de sus modelos equivale a comprimir un año de diseño convencional en "menos de 5 meses", un plazo que califica de inédito en este campo.

OpenAI también sostiene que su modelo razonaba sobre el RTL "al nivel de un microarquitecto experto" y que espera sacar más mejoras de PPA en los diseños de GPU y CPU a partir de la nueva base ya optimizada.

No es el primer chip en que trabaja OpenAI

OpenAI ya había trabajado con Broadcom en el diseño de OpenAI Jalapeño, un chip orientado a inferencia que corría cargas reales con muestras de ingeniería desde junio de 2026. La empresa esperaba despliegues iniciales pequeños de Jalapeño hacia fines de 2026 y dejó el despliegue amplio para 2027.

Los resultados de pruebas de Jalapeño circulan hace un tiempo. Muestran ahorros en consumo y latencia total frente a las GPU Blackwell de Nvidia, líderes del mercado, en cargas de predicción de un solo token.

¿Cómo se midió la capacidad de GPT para diseñar chips?

La publicación de OpenAI explica también cómo evolucionó la habilidad de GPT para el diseño de chips. Los investigadores probaron sus modelos de gama alta pidiéndoles mejorar los núcleos PicoRV32 e Ibex. Cada corrida tuvo un presupuesto de 112.000 tokens, con la orden de optimizar el rendimiento (una combinación de instrucciones por ciclo de reloj y duración del ciclo), y los resultados se puntuaron.

Un chip que no funcionaba o que ocupaba más de 16 veces el área anterior recibía cero, y los mejores diseños dentro de las restricciones de la prueba recibían 1,0. La prueba tampoco les dijo a los modelos para qué cargas de trabajo se usarían los chips. GPT-6.2 Astra tuvo el mejor desempeño en los dos ejes, con el menor costo total y el puntaje de optimización más alto.

Una segunda prueba mostró que los modelos entregaban mejores resultados cuando rediseñaban los chips desde sus especificaciones iniciales que cuando optimizaban código ya escrito.

Lo que no se sabe

No hay información sobre si los científicos usaron versiones de GPT sin modificar para este trabajo. Existen modelos de gama alta entrenados para tareas específicas, para quien pueda pagarlos, y la propia OpenAI dice que trabaja con Synopsys en entrenar GPT-Synopsis, un modelo para manejar herramientas de diseño de chips.