OpenAI تراشه Jalapeño را با کمک هوش مصنوعی در ۹ ماه طراحی کرد

OpenAI تراشه Jalapeño را با کمک Codex و هوش مصنوعی در ۹ ماه از RTL تا Tapeout رساند و زمان طراحی تراشه را به نصف کاهش داد.

به گزارش سرویس سخت افزار تک‌ناک،تراشه Jalapeño شرکت OpenAI نه به دلیل بهره‌وری یا عملکرد خود، بلکه به دلیل شیوه طراحی آن، تغییر مهمی در صنعت ایجاد کرده است.

این شرکت از ابتدا اعلام کرده بود که هوش مصنوعی نقش مهمی در فرایند طراحی Jalapeño داشته است.

این نقش نه‌تنها شامل طراحی خود سخت‌افزار می‌شد، بلکه طراحی مشترک تراشه با پشته نرم‌افزاری OpenAI را نیز دربرمی‌گرفت.

همین رویکرد باعث شد این تراشه از مرحله اولیه طراحی در سطح انتقال ثبات، یا RTL، تا مرحله Tapeout تنها در حدود ۹ ماه پیش برود.

کل فرایند از ایده اولیه تا معرفی تراشه نیز کمتر از دو سال طول کشید.

ریچارد هو، مدیر بخش سخت‌افزار OpenAI، می‌گوید این زمان‌بندی «استاندارد جدیدی ایجاد کرده است» و صنعت تراشه نیز برای اطلاع از نحوه دستیابی OpenAI به این نتیجه، به این شرکت مراجعه می‌کند.

نقش هوش مصنوعی در طراحی Jalapeño

استفاده از هوش مصنوعی در طراحی تراشه موضوع جدیدی نیست و حتی پیش از ظهور مدل‌های زبانی بزرگ وجود داشته است.

بزرگ‌ترین شرکت‌های حوزه اتوماسیون طراحی الکترونیکی، یا EDA، یعنی Cadence و Synopsys، چندین سال است مجموعه‌ای از ابزارهای طراحی تراشه با کمک هوش مصنوعی ارائه می‌کنند.

با این حال، مدل‌هایی که OpenAI استفاده کرده، مدل‌های داخلی خود این شرکت بوده‌اند و OpenAI در کنار ابزارهای موجود EDA، از فرایند مهندسی جدید مبتنی بر هوش مصنوعی نیز استفاده کرده است.

تیم مهندسی OpenAI برای طراحی Jalapeño از پلتفرم کدنویسی عامل‌محور Codex استفاده کرد. هو گفت: «اما ما معتقدیم هر تیم مهندسی در حوزه طراحی تراشه باید بتواند از این روش به‌عنوان یک استاندارد جدید استفاده کند، زیرا این پروژه نشان می‌دهد مدل‌هایی که اکنون مورد استفاده قرار می‌گیرند، بسیار توانمند هستند.

ما بیشتر از Codex، Sol، مدل پیش از Sol و اکنون Astra استفاده می‌کنیم. این مدل‌ها بسیار قدرتمند هستند.

حتی از زمانی که این کار را در نوامبر ۲۰۲۵ آغاز کردیم تا زمانی که به Tapeout رسیدیم، مدل‌ها به شکل چشمگیری بهتر شدند.

حتی از آن زمان تا زمانی که در ماه مه بهینه‌سازی Kernelها را آغاز کردیم و تراشه‌ها برای نخستین بار فعال شدند، خود ما از میزان پیشرفت Codex و قابلیت‌هایی که داشت شگفت‌زده شدیم.»

بیشتر بخوانید: ورود OpenAI به بورس تا اطلاع ثانوی منتفی است؛ شرط سم آلتمن چیست؟

نقش مهندسان انسانی در طراحی Jalapeño

هوش مصنوعی در تمام مراحل توسعه Jalapeño استفاده شد. این استفاده فقط به طراحی تراشه محدود نبود و نوشتن و بهینه‌سازی Kernelها را نیز شامل می‌شد.

با این حال، هو بارها بر اهمیت حضور مهندسان توانمند برای هدایت این سیستم‌ها تأکید کرد.

فرایند توسعه Jalapeño یکی از نمونه‌های روشن استفاده از هوش مصنوعی برای تقویت توانایی یک تیم انسانی، به‌جای جایگزین کردن نیروی انسانی است.

هو چرخه توسعه این تراشه را «مدل خوبی» برای نحوه فعالیت تیم‌های مهندسی در عصر هوش مصنوعی توصیف کرد.

او گفت: «این همان شیوه‌ای است که باید از هوش مصنوعی استفاده شود. ما مهندسان خود را جایگزین نکردیم، بلکه آن‌ها بسیار بهره‌ورتر شدند.

با یک تیم کوچک‌تر از مهندسان بسیار خوب و استفاده گسترده از ابزارهای هوش مصنوعی، می‌توانید کارها را سریع‌تر و بهتر از گذشته انجام دهید. فکر می‌کنم این مدل خوبی برای نحوه فعالیت مهندسی در عصر هوش مصنوعی است.»

اگرچه OpenAI توانست سیلیکون عملیاتی را بسیار سریع‌تر از چرخه سنتی توسعه تراشه تولید کند، این فرایند بدون مشکل نبود.

برای مثال، گزارش‌ها نشان می‌دهند نسخه B0 تراشه Jalapeño تا ۲۵ درصد عملکرد بهتری به ازای هر وات نسبت به نسخه اولیه A0 دارد.

چنین تفاوتی بیشتر به یک پیشرفت نسلی شباهت دارد تا یک بهینه‌سازی معمول در مرحله اصلاح تراشه.

این موضوع می‌تواند نشان دهد که حداقل برای یک تیم سخت‌افزاری تازه‌تأسیس، در طراحی نسخه اولیه برخی کاستی‌ها وجود داشته است.

اینکه این مسئله را باید به هوش مصنوعی نسبت داد یا نیروی انسانی، مشخص نیست.

بیشتر بخوانید: شکست کلید توقف اضطراری؛ OpenAI آموزش قدرتمندترین مدل‌هایش را متوقف کرد

علاقه شرکت‌های دیگر به فرایند طراحی OpenAI

آزمایشگاه‌های پیشرو دیگر نیز به این حوزه علاقه‌مند شده‌اند. کلایو چان، یکی از مهندسان کلیدی پروژه Jalapeño و دومین نیروی سخت‌افزاری OpenAI، در ماه ژوئن این شرکت را ترک کرد تا به تیم سخت‌افزار Anthropic بپیوندد.

هو می‌گوید صنعت تاکنون «علاقه زیادی» به فرایند طراحی تراشه با کمک هوش مصنوعی OpenAI نشان داده است و احتمالاً به‌زودی اطلاعات بیشتری درباره این موضوع منتشر خواهد شد.

او گفت: «من نمی‌خواهم در اینجا چیزی را پیش‌دستانه اعلام کنم. می‌توانم بگویم که صنعت علاقه زیادی نشان داده است و همچنین می‌توانم بگویم که ما معتقدیم این فناوری به‌طور کلی می‌تواند مزایای زیادی برای صنعت داشته باشد و می‌خواهیم امکان استفاده از آن را فراهم کنیم. فکر می‌کنم صادقانه بگویم، به‌زودی اطلاعات بیشتری درباره آن خواهیم دید.»

هو به ده‌ها استارتاپ طراحی تراشه با رویکرد هوش مصنوعی در سیلیکون‌ولی اشاره کرد و احتمال داد OpenAI در آینده ابزارهایی را برای کمک به شرکت‌های دیگر در توسعه تراشه‌های هوش مصنوعی معرفی کند.

او گفت: «ما دیدگاه خودمان را درباره این موضوع داریم و فکر می‌کنم در مقطعی می‌خواهیم آن را به جهان بگوییم و بگوییم این دیدگاه ماست. Codex و عرضه GPT-6 Astra بخش اساسی این موضوع هستند.

این‌ها پایه‌های اصلی هستند و ما می‌توانیم به آن‌ها اشاره کنیم. قرار نیست چیزی صرفاً در حد اسلاید یا یک محصول خیالی باشد. می‌توانیم نشان دهیم چه کاری انجام دادیم، چگونه آن را انجام دادیم و چه نتیجه‌ای گرفتیم. این موضوع کاملاً ملموس خواهد بود.»

اینکه منظور هو از «آن» دقیقاً چیست، همچنان مشخص نیست. با توجه به زمینه صحبت‌های او، به نظر می‌رسد OpenAI ممکن است به تجاری‌سازی فرایند طراحی تراشه با کمک هوش مصنوعی خود فکر کند. هو می‌گوید Astra گام بزرگی در این مسیر است و این مدل پیش‌تر نیز در انجام کارهای قابل‌توجه، مانند اجرای مستقل بازی Portal، عملکرد خود را نشان داده است.

حفظ ابزارهای سنتی EDA در مرحله نهایی

OpenAI در طراحی و اعتبارسنجی Jalapeño به‌شدت از مدل‌های داخلی خود استفاده کرد، اما در مراحل پایانی طراحی کاملاً از فرایندهای سنتی EDA فاصله نگرفت.

پیش از مرحله Tapeout، ابزارهای شرکت‌هایی مانند Synopsys و Cadence مجموعه‌ای از آزمایش‌های تأیید نهایی را انجام می‌دهند.

این آزمایش‌ها شامل تحلیل زمان‌بندی استاتیک و تحلیل یکپارچگی سیگنال می‌شوند. هو می‌گوید OpenAI نیز برای Jalapeño از همین فرایند استاندارد EDA استفاده کرده است.

او گفت: «اما برای تأیید نهایی باید از فرایندهای استاندارد EDA استفاده کنید و ما نیز همین کار را انجام دادیم، زیرا می‌خواهید مطمئن شوید نتایج درست و قابل اعتماد هستند.

امروز جایگزین واقعی دیگری وجود ندارد. بخشی از این فرایند ترکیبی از جریان‌های استاندارد است که با هوش مصنوعی و به دست مهندسان بسیار توانمند بهینه شده‌اند.»

نسل‌های بعدی شتاب‌دهنده‌های OpenAI

OpenAI همچنین نقشه راه چندنسلی خود برای شتاب‌دهنده‌ها را به اشتراک گذاشته است. این شرکت می‌گوید نسل دوم ASIC آن به مرحله Tapeout نزدیک شده و نسل سوم نیز در حال توسعه است.

با وجود اینکه هو چرخه توسعه Jalapeño را استاندارد جدیدی برای زمان‌بندی طراحی تراشه می‌داند، درباره تکرار چنین سرعتی در پروژه‌های آینده محتاط است.

هو گفت: «پروژه‌ها و Tapeoutهای ما به سطح بلوغ فناوری‌ها بستگی خواهند داشت. ما می‌توانیم اجرای بسیار سریعی داشته باشیم. آیا چنین اجرای سریعی را پشت سر هم انجام خواهیم داد؟ بعید می‌دانم، زیرا فناوری برای چنین کاری آماده نخواهد بود و نمی‌خواهم تراشه‌ای را به مرحله Tapeout برسانم که فقط ۲ درصد بهتر از تراشه قبلی باشد، زیرا تغییر یک ناوگان کامل برای چنین بهبودی ارزش ندارد.»

محدودیت‌های زمان‌بندی ۹ ماهه

هو همچنین تأکید کرد که زمان‌بندی Jalapeño الزاماً الگویی برای همه تراشه‌ها نخواهد بود. تیم OpenAI در طراحی اولیه معماری، برخی «مصالحه‌های عملی» را پذیرفت و از نقاط طراحی نوظهور و پیچیده مانند پشته‌سازی سه‌بعدی و اپتیک‌های هم‌پکیج‌شده دوری کرد.

او در پایان گفت: «آیا زمان بیشتری خواهد برد؟ آیا ۹ ماه طول خواهد کشید؟ نمی‌گویم که ۹ ماه طول خواهد کشید… اما فکر می‌کنم سریع‌تر از زمانی خواهد بود که مدل‌های هوش مصنوعی در اختیار نداشتید.»