Ведущая исследовательская лаборатория в сфере передового ИИ обошла традиционные циклы проектирования аппаратного обеспечения, напрямую переработав архитектуру процессоров с помощью моделей машинного обучения. В партнерстве с разработчиком полупроводников AMD команда OpenAI менее чем за пять месяцев добилась улучшения энергопотребления, производительности и площади чипа (PPA) флагманских GPU AMD на показатель до 14%.

По данным OpenAI, столь сжатый цикл разработки обеспечил результат, эквивалентный примерно году работы штатных инженеров над архитектурными решениями, которые команды AMD до этого совершенствовали годами. Ускорение физической оптимизации топологии позволяет производителям микросхем напрямую сокращать растущие капитальные затраты на кремниевую инфраструктуру, уменьшая длительные сроки амортизации, обычно требуемые для окупаемости передовых фабричных мощностей. Модификации "железа", созданные моделями, больше не ограничиваются теоретическим моделированием.

Как заявили в OpenAI, компания AMD уже включила часть сгенерированных моделью правок непосредственно в инженерный пакет, отправленный на фабрики, что нивелировало риски задержек, традиционно возникающие при согласовании графиков производства чипов (tape-out) между несколькими поставщиками.

AMD уже внедрила часть изменений в проектную документацию, направленную на производство, заявляет OpenAI.

Диверсификация аппаратных платформ

Прямые конкуренты внедряют параллельные решения для снижения издержек, стремясь справиться с серьезным финансовым давлением инференса моделей и инфраструктурными ограничениями. Компания Anthropic применила свою внутреннюю модель Mythos для оптимизации обработки промптов под ускорители AMD MI355X, завершив цикл развертывания всего за три дня.

Где подвох

Выигрыш в 14% по ключевым метрикам за пять месяцев превращает софт OpenAI в полноценного проектировщика кремния для AMD, отбирающего хлеб у традиционных полупроводниковых инженеров. Передача исправлений от нейросети прямо на заводы сжимает год сложнейших ручных правок топологии чипа, но одновременно сажает производителя процессоров на жесткую технологическую зависимость от алгоритмов сторонней лаборатории. Скорость вывода чипов на фабрики теперь диктуют не инженерные школы полупроводниковых гигантов, а модели машинного обучения.

OpenAIAI-чипы и кремнийАппаратные ускорителиЭкономика вычисленийTCO вычислений