AI 晶片設計新進展:OpenAI 與 AMD 最高 14% PPA 改善,如何解讀?
OpenAI 與 AMD 公布指定旗艦 GPU 設計最高 14% PPA 改善。解析功耗、效能與面積取捨、RISC-V 模擬評分、量產驗證距離,以及既有 GPT-Synopsys 合作的定位。
AI 晶片設計能不能透過改寫程式改善成果,關鍵不在程式看起來更短,而在改動後的電路仍然正確,並且真的改善功耗、速度或面積。這讓驗證工具成為成果能否採用的重要一環。
OpenAI 在 2026 年 11 月 18 日公開與 AMD 的設計合作及新的處理器測試,稱在高度優化的旗艦 GPU 設計基礎上,取得最高百分之十四的 PPA 改善。這是指定設計的官方成果,不是整顆量產 GPU 全面加速。
PPA 是功耗、效能與面積的合稱,三者常需要取捨。降低面積可能留下更多配置空間,但不會自動等於使用者執行每一種 AI 工作都快同樣比例,因此百分比必須連著測量對象閱讀。
公告也把既有產品設計與開源處理器實驗並列。前者關心工程團隊能否採納,後者用固定條件觀察不同模型。兩者提供的證據不同,不能拿一張研究曲線直接推估下一代晶片售價或出貨效能。
對關注算力與半導體的讀者而言,真正值得追蹤的是哪些改動已經驗證、哪些只在工具裡估計,以及哪些仍在製造或開發流程。把這幾個階段分開,才看得出後續進展。
要判斷這次進展,得先區分產品設計與研究測試,再看每種改善有哪些驗證依據。本文以官方公告與工具開發脈絡為依據,沒有取得設計原檔或獨立重做晶片量測。
這次的新成果,與先前 Jalapeño 公告有何不同
十一月十八日的重點,是 AMD 合作進展與新增設計能力測試,不是重新宣布第一顆自製晶片。
OpenAI 原始發布貼文把 AMD 合作、Jalapeño 實際晶片驗證與新研究並列。這幾件事提供不同層次的證據,讀新聞時應先把它們拆開。
Jalapeño 是先前已公告的自製推論晶片,本次補充模型如何參與改良。AMD 則是在既有、已高度優化的設計基礎上找額外改善。新研究另用較小的開源處理器,觀察不同模型的設計能力。
這樣區分不是文字上的細節。已在實體晶片驗證,表示有製造後的觀察。設計送往製造,則還有後續流程。工具中的測試分數,又是另一種實驗,三者不適合放在同一欄叫做已量產效能。
公告稱 AMD 合作不到五個月取得最高百分之十四改善,這是官方對特定工作成果的說法。本文沒有取得 AMD 的完整設計、所有比較條件與原始工具輸出,因此不把它當成本站獨立重現的數字。
對後續消息,可以追蹤哪些設計改動已進入產品、是否有同條件量測,以及改善是否保留在最終製造結果。這些進展比單純把模型名稱換成更新版本,更能說明工程價值。
若讀者關心算力採購,還需要等待對應產品、工作負載、功耗與價格資料。現在的設計合作消息提供方向,卻不足以算出某家公司未來每一次模型呼叫會便宜多少。
事件日期分清楚後,才適合進一步看最高百分之十四究竟在描述什麼。

PPA 三個目標,為何不能縮成一個 GPU 加速百分比
PPA 同時涉及功耗、效能與面積,工程師需要在特定限制下比較不同設計。
功耗是電路運作消耗的能量,效能關心在指定條件下完成多少工作,面積則是設計占用的晶片空間。三個目標彼此牽動,因此 PPA 改善通常需要先說明哪些限制固定、哪些可調整。
例如增加硬體可能讓工作更快,也可能增加面積與耗電。若只報速度,就看不到為它付出的代價。相反地,減少電路面積仍需確認原本功能與速度要求是否都保留。
模型參與的方式,是改寫描述電路的程式,再透過工程工具檢查。這類描述不只是一般軟體的執行步驟,還牽涉電路如何安排,因此看似簡短的修改也可能影響時序與資源。
驗證需要回答兩類問題:改動後是否仍做對同一件事,以及它在既定條件下有沒有比較好。功能正確不代表速度一定提升,某項估計變好也不代表所有輸入都維持正確,兩者不能互相替代。
這也說明為什麼最高百分之十四不能直接變成每張 GPU 都快百分之十四。改善可能只涵蓋指定電路區塊,實際整顆晶片還包含其他運算、記憶體與資料傳輸部分,總體結果需要另外量測。
對非工程讀者,一個實用讀法是把百分比補成完整句子:哪個對象、相對什麼基準、改善哪項目標、在哪個階段檢查。只要其中一項還不知道,就保留未知,而不是替公告補出產品承諾。
因此每一項改善都要接回電路範圍、基準與驗證階段,才知道能用在哪裡。
開源 RISC-V 測試,如何比較模型設計能力
研究用兩個較小的開源處理器核心,在固定預算與檢查條件下比較模型。
官方研究說明使用兩個開源三十二位元 RISC-V 核心。RISC-V 是處理器採用的一套指令規則,這裡的核心規模與用途,不能直接等同高階 GPU。
實驗先檢查設計在模擬中是否符合要求,再依工作量的指令效率與工具估計頻率評分。模擬是用程式檢查電路行為,仍與製造出晶片後在實際條件下量測不同。
測試也設面積上限,超過原始核心十六倍或未通過檢查就得零分。這個上限是研究條件,並不表示商用團隊能接受晶片面積擴大到相同程度。
圖中數字經過正規化,也就是把同條件下觀察到的最好結果設為一,再比較平均。因此某條曲線高出一倍,描述的是這套分數,不是宣稱量產處理器在所有應用都快一倍。
研究還需要對齊模型可用的推理預算。花更多步驟探索,可能得到較好設計,也會增加運算投入。若一張圖只保留最高點,卻省略嘗試量與失敗,讀者就看不到取得成果的代價。
公開曲線適合觀察能力是否隨條件改善,仍不能替代產品驗收。企業若想重用方法,應先選自己能檢查的核心與工作,保留失敗為零的結果,不只挑最好的一次展示。
這能觀察模型隨條件變化的表現,但與量產晶片仍有需要補上的距離。
從規格生成更高分,為何仍不能直接投產
從文字規格出發,讓模型有機會重新安排電路,也可能省掉原設計擁有的功能。
公告指出,從文字規格重新設計核心,比修改既有描述得到較高的實驗分數,但也承認部分優勢可能來自省略原核心具有、對測試工作量幫助較小的功能。這個限制會改變成果的讀法。
原有處理器可能必須支援除錯、計數或特定指令,即使它們不直接增加某項測試吞吐量,也可能是整個產品運作需要的部分。若新設計省掉這些功能,就不能只看分數說完全等價替換。
這類問題也出現在一般軟體優化:只測主要路徑,可能看不到少見但必要的行為。因此把功能需求列完整,並保留不該改變的條件,會比事後只檢查速度更容易發現取巧。
另一個距離是實體實作。工具估計可以協助探索,但製造前仍需更接近實際的時序與布局檢查。電路連接距離、負載及其他條件,都可能讓紙面改善無法原樣保留。
對研究評估,可以把條件逐步收緊:保留原本功能、限制資源增幅,再看改善是否仍然存在。這是依公告限制提出的檢查方向,不是本文已完成的新實驗,也沒有推估會剩下多少百分比。
因此,從規格生成較高分是值得追蹤的能力訊號,但還不能當作交付承諾。真正的工程成果,需要在同一套需求與限制下持續成立,而不是只在較寬鬆的測試裡出現一次高點。
研究優勢必須經過更接近產品的限制,才能判斷是否能成為工程上的改善。
GPT-Synopsys 的位置:讓模型操作工具,工程師驗收
工具可以把模型提出的設計變成可檢查的結果,但是否採用仍需要工程判斷。
Synopsys 九月三十日公告描述雙方合作開發 GPT-Synopsys,讓模型更熟悉電子設計自動化工具。這是先前宣布的合作背景,不是十一月十八日才新簽的交易。
電子設計自動化工具可協助描述、檢查與分析電路。模型如果能理解工具回傳的錯誤與量測,再提出下一輪修改,就有機會參與反覆探索,而不是只生成一份沒經檢查的設計文字。
但工具有輸出,不等於模型已正確理解輸出。工程師仍需要確認它是否使用正確的設定、比較相同條件,以及修正某項問題時沒有破壞另一項要求。
合作公告把這項服務描述為開發方向,本文沒有查到足以把它寫成已全面開放產品的依據。因此不提供未確認的訂閱價格、下載入口或人人可用的承諾,試用資格應以後續正式說明為準。
團隊若評估相關工具,可以要求每次改動都附原始版本、檢查條件、工具結果與採用理由。這會讓審閱者知道模型提出了什麼,也能在結果不一致時回到可重跑的版本。
最值得追蹤的進展,是同一套需求下能否持續產生可採納的改善,以及工程師為覆核付出多少時間。若能把設計、驗證與回復連成可追查的流程,模型才不只是產生更多候選,而是幫忙減少有效探索的負擔。
當每次建議都能回到驗證與測量,AI 才可能穩定參與真正的晶片設計流程。
AI 晶片設計 常見問題
AMD 的 14% 代表整張 GPU 快 14% 嗎?
不代表。官方描述的是特定旗艦 GPU 設計基礎上的最高 PPA 改善,需要保留電路範圍與驗證階段,不能換成所有應用的整卡加速。
模擬通過就可以直接量產嗎?
不能。仍需確認完整功能、面積、實體時序及製造條件。研究使用的資源上限也不等同商用產品限制。
GPT-Synopsys 已經全面開放嗎?
本次核對資料描述合作開發與後續方向,沒有足以宣稱人人可立即使用的依據。方案與資格應依正式產品說明確認。
先看驗證階段,再看改善百分比
這次消息顯示模型正進入更具體的晶片設計與工具操作,但不同成果的證據層級仍要分開。指定區塊的改進、模擬分數與製造後量測,各自回答不同問題。
後續可追蹤產品採納、同條件量測與完整功能是否保留。當每一個改善都能接回設計版本、工具與驗證,AI 晶片設計的進展才比較容易被判斷,而不只是一個吸引人的百分比。
延伸閱讀:OpenAI Jalapeño 是什麼?首款 AI 推論晶片效能、Broadcom 合作與 NVIDIA 影響解析
延伸閱讀:Cadence Maestro 領域 AI 模型登場:晶片設計為何要把代理接上驗證工具?