芯片设计开始进入智能体时代:从Jalapeño到AMD,RTL优化怎样变成可验证的工程闭环

芯片设计开始进入智能体时代:从Jalapeño到AMD,RTL优化怎样变成可验证的工程闭环:读者提供的封面图
读者提供的主题配图。

芯片工程师面对一段已经反复优化的RTL代码,通常不会期待一个外部工具轻易找出大幅改进。设计越接近量产,架构、时序、功耗与版图约束之间的关系越紧密,一行看似简单的逻辑替换,可能改变后续综合、布局布线甚至验证工作量。OpenAI在2026年11月18日公布的芯片设计研究进展,使这类日常却昂贵的工程问题获得了新的解决思路。官方披露,模型提出的修改让其Jalapeño推理芯片的向量单元标准单元面积约降低13%、矩阵单元约降低10%;在与AMD的合作中,一些旗舰GPU IP模块相对高度优化基线取得最高14%的PPA改善。部分改动已经进入送制造的设计或生产文件。这些细节把大模型从“能写硬件代码”的演示推进到了真实的工程设计与验证流程中。

硬件描述语言为什么值得让模型反复探索

现代芯片设计首先面对的是一个巨大的离散设计空间。系统架构师决定计算单元的职责和数据路径,微架构工程师进一步安排流水线、缓存、指令执行和控制逻辑,再把方案写成SystemVerilog等硬件描述语言。RTL描述的是时序电路的功能和结构,而最终的芯片指标还要经过逻辑综合、时序分析、功耗估计、物理实现和多轮校验才能形成。一个乘法器是采用不同的部分积压缩结构,还是选择另一种进位处理方式,影响的不止综合后的门数量,还包括寄存器位置、连线扇出、关键路径和目标频率。工程师需要在同一组功能约束下不断试验替代实现,很多机会藏在毫不起眼的算术与控制逻辑之中。

传统EDA工具已经可以在给定RTL与约束的条件下进行大量自动优化,但其搜索方向受到初始设计形式和预设启发式方法影响。大模型能够阅读设计意图、理解数据路径,并提出不同层级的结构改写。它可以尝试共享重复计算、改变流水线切分、合并中间变量、减少不必要的数据寄存,或者重写一段控制条件,让逻辑综合器获得新的搜索起点。这里一个重要的工程细节是,模型输出的RTL必须放回原来的仿真与综合环境中运行。验证通过、面积下降、频率达到要求,才形成可被工程团队采用的候选设计。工具返回的编译错误、时序报告和PPA指标,还可以成为下一轮搜索的输入。

OpenAI介绍,团队在2025年初就使用GPT-4o探索自研推理芯片Jalapeño的部分结构。向量单元中的浮点加法器、乘法器、转换与归约逻辑,以及矩阵单元中的低精度点积电路,都成为模型反复提案的对象。官方展示的一项乘法器改写,在综合中让单元面积约减少15%,并将延迟从两个时钟周期降至一个;另一项加法器优化在维持两个周期延迟的情况下节约了约15%面积。这两个数字属于不同电路的案例,不能合并成整个芯片性能提升。向量和矩阵单元分别约13%与10%的面积改善,也是团队估计的分模块结果。由于这些优化经历了Jalapeño实际硅片bring-up,工程证据比单纯的代码样例又进了一层。

AMD合作呈现更有产业意义的检验方式

与自研芯片相比,在成熟商业IP上修改RTL具有更高的工程约束。AMD的旗舰GPU IP已经长期经过专门团队调优,改动需要同时满足微架构功能、时序、功耗、物理面积和项目交付安排。OpenAI在11月18日的研究文章中表示,模型针对这些IP进行SystemVerilog RTL改写,最高取得14%的PPA改善;公司把相关成果描述为少于五个月获得了相当于约一年进度的改进。官方还提到,AMD已将部分变化纳入最近送制造的设计,其他变化被写入今后产品的生产设计文件。这里的14%属于特定IP与给定基线的结果,PPA包含功耗、性能、面积的权衡,并非整张GPU显卡性能提升14%。

双方的执行过程揭示了模型在专业软件中的实际位置。OpenAI称其模型以接近微架构工程师的方式分析RTL,提出计算、控制和数据搬运电路的修改,随后使用Synopsys工具检验功能等价性与指标变化。芯片开发需要保留的不是一句“AI优化成功”,而是一组具体对象:原始RTL与修改后的差异、仿真向量、形式验证结果、时序路径变化、功耗分析文件、综合后的门级网表,以及代码审查与版本记录。模型可以高速生成候选方案;熟悉工艺库、约束文件和产品节奏的工程团队则负责确定哪些候选足以进入后续物理设计。AMD还对下一代旗舰CPU的部分关键模块检验了个位数百分比的PPA改善,使这一工作从单一GPU IP延伸到另一类实际产品。

这条路径对国内EDA、IP设计公司和工业智能体团队也有启发。很多企业试图让模型一次性生成完整芯片、复杂装备或整条生产线,任务规模太大,工具执行成本也难以控制。选择一个功能边界清晰、可以自动回归测试的电路模块,反而有机会较快建立可复用的工程智能体。任务从“帮我把这个模块改好”变成一条可执行的流水线:读取规范、检索历史版本、构造候选RTL、进行仿真或形式检查、运行综合与时序工具、比较PPA、生成修改说明,再等待审核。每一环节产生的机器可读结果,能够积累为后续迭代的经验。

芯片设计开始进入智能体时代:从Jalapeño到AMD,RTL优化怎样变成可验证的工程闭环:读者提供的架构示意图
读者提供的架构示意图;具体数字与事实以正文及参考文献为准。

用开源RISC-V核心衡量设计能力的边界

OpenAI同时公开了针对PicoRV32和Ibex两个32位RISC-V处理器核心的比较实验。PicoRV32以紧凑和便于FPGA实现著称,Ibex则是OpenTitan安全芯片中使用的嵌入式处理器。研究团队设置了两种任务:一种是保持现有设计主体,对RTL做吞吐优化;另一种从书面需求和接口模板开始设计核心架构。为了使分数与工程结果关联,设计必须通过仿真检查,并满足电路面积约束,随后研究者根据隐藏工作负载上的每周期指令数和Yosys估算的最高频率构造吞吐指标。整个评测跨两种核心、两类任务和不同Token预算,共有9,881次评分运行。

在约11.2万Token的可比预算下,GPT-6.2 Astra在两个既有核心的RTL优化任务上取得最高平均分;PicoRV32上的平均分约为GPT-6 Astra的两倍。研究同时发现,从文字需求开始设计核心,几代模型的成绩普遍高于改写现有RTL。这可能来自更大的架构搜索空间,也与需求文本允许删除部分原设计功能有关,例如性能计数器或额外指令。对工程团队,这种实验结果提供了两种不同的产品方向:前者适合已有产品的局部持续优化,后者适合新架构探索和方案生成。两条线路分别需要功能覆盖率、接口约束和工程交付评测体系。

OpenAI还披露与Synopsys合作训练GPT-Synopsys,希望让模型学会使用电子设计自动化工具。这个方向把模型训练目标从文本输出推进到专业工具序列。对于工业软件厂商,关键资产将包括工具API、可自动调用的检查任务、计算资源调度、工程对象的语义表示以及连续可追踪的测试结果。模型输出端的每一项设计修改,都要对应后端可复核的工程对象。将CAD、CAE、EDA乃至PLC工程统一转为可调用工具的产业路线,正在获得越来越多来自真实研发项目的推动力。

工业研发中的价值如何转化为日常工作

一个企业级芯片设计智能体不一定需要包揽全部工作。它可以每天读取待优化模块的清单,依据关键路径、面积预算和待关闭的问题单排序,为若干小模块并行寻找候选结构。模型生成的补丁按规则进入独立分支,自动化验证完成之后,再把PPA对比、功能覆盖与工具日志提交给设计负责人。若结果有优势,可以进入更昂贵的物理验证;若没有优势,系统保留失败原因,调整搜索方向。研发管理者通过一个界面即可看到不同模块的候选数量、执行成本、验证完成情况和真正进入设计库的改动。这样的流程和传统CI/CD有相似之处,但多了大量物理工程约束。

在企业内部推广时,可以从可重复、低耦合、数据完整的任务开始,例如流水线控制逻辑、存储仲裁单元、算术算子或参数化模块。自动化系统需要和版本管理、缺陷跟踪、EDA许可证、算力队列及知识文档相连接,也需要依据项目权限决定哪些IP可以被哪个模型访问。积累下来的是设计公司的专业工程资产:不同工艺节点的约束、历史优化经验、验证用例、设计变更记录和实际量测数据。OpenAI此次Jalapeño与AMD项目提供了一个具有说服力的案例:模型的专业能力可以通过可以制造、可以复验、可以被工程团队签收的交付物来衡量。

参考文献

分享到