OpenAI et AMD montrent des gains concrets en conception de puces

OpenAI affirme que ses modèles ont aidé AMD à améliorer jusqu’à 14 % le PPA d’un GPU phare en moins de cinq mois. L’entreprise dit aussi avoir accéléré Jalapeño et ses tests sur des cœurs RISC-V, tout en préparant un outil avec Synopsys.

OpenAI dit avoir obtenu avec AMD jusqu’à 14 % de gain en puissance, performance et surface de silicium sur des blocs de GPU haut de gamme, après moins de cinq mois de travail. La société affirme aussi avoir avancé plus vite sur Jalapeño, son premier chip d’inférence sur mesure, et sur des tests de conception de processeurs RISC-V. Ce type de résultat compte parce qu’il touche un goulot d’étranglement très concret : la vitesse à laquelle on conçoit, vérifie et prépare des puces pour la fabrication.

Quand l’IA se met à écrire du RTL

Le point central, ici, tient dans le RTL SystemVerilog, le code qui décrit les circuits d’une puce avant sa fabrication. OpenAI explique que ses modèles ont proposé des réécritures ensuite vérifiées avec les outils Synopsys, afin de préserver le comportement des blocs tout en améliorant le PPA, c’est-à-dire le compromis entre consommation, performance et surface. Sur le GPU phare d’AMD, certaines modifications ont été intégrées dans des fichiers de conception envoyés en fabrication.

La société parle d’un gain équivalent à “roughly a year of progress” obtenu “in less than five months”. Formule utile, mais à prendre avec prudence : OpenAI précise elle-même que les comparaisons reposent sur des baselines déjà lourdement optimisées. Autrement dit, on ne parle pas d’un prototype bricolé dans un garage, mais d’un travail sur des blocs déjà travaillés par des équipes d’ingénierie très rodées.

Jalapeño, le chip maison, a servi de terrain d’essai

OpenAI indique avoir commencé à utiliser GPT-4o pour aider à concevoir Jalapeño, son premier chip d’inférence, début 2025. Dans ce projet, les modèles auraient réduit la surface de cellules standard d’environ 13 % dans le warp engine, qui gère et exécute des tâches parallèles, et d’environ 10 % dans la matrix unit, un composant arithmétique. Les pistes explorées comprenaient une autre manière d’organiser la logique, de répartir les calculs entre étages de pipeline et de réduire le stockage intermédiaire.

Dans les exemples détaillés par OpenAI, un multiplicateur de la matrix unit a été redessiné pour économiser environ 15 % de surface en synthèse, tout en faisant passer la latence de deux cycles d’horloge à un seul. Un autre redesign, sur un additionneur, a réduit la surface d’environ 15 % sans changer la latence. Les gains ont ensuite été validés sur silicium pendant la mise au point de Jalapeño, et OpenAI dit que l’aide de l’IA a ramené le passage de la conception initiale au tape-out à neuf mois, selon ses résultats publiés le 25 août 2026.

Des tests sur RISC-V pour comparer les modèles

Pour mesurer l’évolution des capacités, OpenAI a aussi testé cinq générations de modèles sur deux cœurs RISC-V 32 bits open source : PicoRV32, pensé pour les FPGA, et Ibex, utilisé dans OpenTitan. L’évaluation couvre à la fois l’optimisation d’un RTL existant et la création d’un cœur à partir de spécifications écrites et de modèles d’interface. Au total, 9 881 exécutions ont été scorées sur les tâches, les cœurs et les budgets de jetons.

Sur un budget comparable d’environ 112 000 jetons par exécution, GPT-6.2 Astra obtient le meilleur score moyen sur les deux cœurs pour l’optimisation RTL. GPT-6.1 Sol dépasse aussi GPT-5.6 Sol sur les deux cœurs. En mode “spécification vers RTL”, GPT-6.2 Astra affiche un score moyen normalisé supérieur à 0,7 sur PicoRV32 et d’environ 0,75 sur Ibex. Tous les modèles s’en sortent mieux lorsqu’ils partent de spécifications que lorsqu’ils optimisent un RTL existant, au moins dans ce cadre de test.

Les bons scores ne disent pas tout

OpenAI ajoute toutefois une réserve importante : les modèles qui partent de spécifications écrites peuvent omettre des fonctionnalités présentes dans les cœurs originaux, comme les compteurs de performance ou certaines instructions, si ces éléments ne changent pas grand-chose au débit mesuré sur les charges de travail testées. Dans ce contexte, une partie de l’avantage peut venir de ces omissions. Pour se rapprocher de la réalité industrielle, il faudrait imposer ces fonctions, resserrer la limite de surface et vérifier aussi le timing après synthèse physique.

Le sujet devient alors moins spectaculaire qu’il n’y paraît, mais plus intéressant pour l’industrie. Si l’IA sait proposer des variantes valides, tout l’enjeu consiste à les faire entrer dans des chaînes de conception où la vérification reste non négociable. Pas le moment de laisser une puce partir en fabrication avec une belle intuition et un mauvais calcul.

Synopsys veut brancher les modèles sur les vrais outils EDA

OpenAI prépare avec Synopsys un modèle baptisé GPT-Synopsys, destiné à utiliser les outils de conception électronique, ou EDA, comme le font les ingénieurs spécialisés. L’accord de développement conjoint, annoncé le 30 septembre 2026, couvre aussi la mise sur le marché et un partage de revenus. Synopsys dit que ses ingénieurs pourront déléguer des objectifs allant de l’optimisation PPA à la clôture du timing et de la vérification, pendant que des agents exécutent les outils, interprètent les résultats, appliquent des modifications et itèrent jusqu’à un résultat vérifié.

Synopsys précise que les données clients ne serviront pas à entraîner GPT-Synopsys, avec chiffrement au repos et en transit, ainsi que des contrôles de rétention, d’audit et de permission configurables. À ce stade, c’est la pièce manquante la plus sérieuse : relier les gains observés dans les benchmarks à des flux de travail industriels, sans casser les garde-fous de vérification.

Cette course ne concerne pas seulement OpenAI

Le mouvement dépasse OpenAI et AMD. Selon la source, Anthropic utilise aussi l’IA dans la conception de puces : son modèle Mythos aurait traité du prompt processing pour des GPU AMD MI355X en trois jours, contre six à douze mois habituellement d’après l’entreprise. Elle dit aussi faire tourner Claude sur quatre familles de puces afin d’optimiser le coût et la performance par dollar. Le marché regarde donc moins un gadget que la prochaine couche d’automatisation du calcul intensif, là où chaque mois gagné peut changer la feuille de route d’un produit.

Reste une question simple : si les modèles peuvent déjà proposer des redessins utiles, jusqu’où iront-ils avant de devenir un outil standard du design de puces ? Les gains décrits ici montrent au moins une chose : dans les semi-conducteurs, l’IA ne se contente plus d’aider à rédiger du code, elle commence à toucher le silicium lui-même.

Points clés

  • Jusqu’à 14 % de PPA gagné sur des GPU AMD, selon OpenAI.
  • Jalapeño a atteint le tape-out en neuf mois, selon OpenAI.
  • 9 881 runs ont servi aux tests RISC-V d’OpenAI.
  • GPT-6.2 Astra domine les modèles testés sur PicoRV32 et Ibex.
  • Synopsys et OpenAI ont annoncé GPT-Synopsys le 30 septembre 2026.
  • Anthropic évoque trois jours contre six à douze mois pour Mythos.

En chiffres

  • 14 % — gain PPA maximal annoncé sur le GPU AMD, novembre 2026, OpenAI.
  • 13 % — réduction de surface estimée dans le warp engine de Jalapeño.
  • 9 881 — exécutions scorées dans l’évaluation RISC-V.
  • 112 000 jetons — budget comparable par run utilisé dans les tests.
  • 30 septembre 2026 — annonce de l’accord OpenAI-Synopsys.

À lire