OpenAI detalha como seus modelos de IA redesenham circuitos de chips reais
A OpenAI publicou um relatório técnico mostrando que seus modelos conseguiram reescrever trechos de circuito do próprio chip Jalapeño e de chips da AMD, com ganhos de até 14% de eficiência já incorporados em projetos de produção.
· 6 min de leitura
Este artigo foi escrito por Redação AI Brasil. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
O que a OpenAI anunciou
A OpenAI publicou um relatório técnico detalhando como seus modelos de linguagem passaram a atuar como projetistas de chip, não só como ferramentas de análise de código (OpenAI, novembro de 2026). O documento junta três frentes: as melhorias que o modelo trouxe ao Jalapeño, o acelerador de inferência próprio da OpenAI, os ganhos obtidos em parceria com a AMD em chips de GPU e CPU, e uma bateria de testes comparando gerações de modelos na tarefa de projetar núcleos de processador RISC-V, uma arquitetura de conjunto de instruções aberta e gratuita, usada tanto em chips acadêmicos quanto em produtos comerciais.
Para quem constrói software, o ponto central não é só "a IA ajuda engenheiros de hardware". É que o resultado saiu do laboratório: parte dessas mudanças já está em silício fabricado e em projetos que a AMD enviou para produção.
Como o Jalapeño ganhou área de chip
Desde o início de 2025, engenheiros da OpenAI usam modelos da própria empresa para otimizar o Jalapeño. O primeiro usado foi o GPT-4o, e mesmo essa versão já encontrou melhorias não triviais de PPA (sigla em inglês para power, performance e area: potência, desempenho e área, as três métricas que medem se um projeto de circuito é eficiente).
Duas unidades do chip tiveram ganhos documentados:
- Unidade vetorial (responsável por tarefas de computação paralela): o modelo encontrou formas alternativas de implementar somadores e multiplicadores de ponto flutuante, funções de conversão e lógica de redução, compartilhando mais hardware entre etapas do pipeline e reduzindo armazenamento intermediário.
- Unidade matricial (o bloco aritmético do chip): um multiplicador redesenhado usou cerca de 15% menos área de célula na síntese e caiu de dois ciclos de clock para um. Um somador redesenhado reduziu a área em cerca de 15% mantendo a mesma latência de dois ciclos.
No cômputo geral do Jalapeño, a equipe estima redução de cerca de 13% na área de células padrão da unidade vetorial e 10% na unidade matricial. Essas otimizações foram comprovadas na prática durante o bring-up de silício do chip, ou seja, nos testes físicos feitos com o chip já fabricado (OpenAI, resultados do Jalapeño).
O ganho de até 14% nos chips da AMD
A parceria com a AMD foi além da otimização interna. A OpenAI relata ganhos de até 14% de PPA em relação a bases já fortemente otimizadas, na GPU de topo de linha da fabricante. O modelo chegou a essas melhorias reescrevendo diretamente o SystemVerilog RTL, a linguagem usada para descrever o comportamento de um circuito antes de ele virar hardware físico (RTL vem de register transfer level, o nível de abstração em que se descreve como os dados se movem entre registradores a cada ciclo de clock).
Segundo a OpenAI, isso equivale a cerca de um ano de progresso de engenharia condensado em menos de cinco meses. A AMD já incorporou parte dessas mudanças em um projeto recente enviado para manufatura e adicionou outras aos arquivos de produção para uso em versões futuras. A fabricante também verificou ganhos de PPA na casa de um dígito percentual em blocos-chave de sua próxima CPU de topo de linha, usando trechos de projeto escritos pelo modelo.
O relatório descreve o modelo raciocinando sobre RTL "no nível de um microarquiteto experiente", reescrevendo circuitos que fazem cálculos, controlam operações ou movem dados, sempre validando cada reescrita com as ferramentas de EDA (electronic design automation, o conjunto de softwares que simula e verifica se um chip projetado vai funcionar como esperado) da Synopsys, fornecedora que já domina esse mercado.
Testando a evolução dos modelos em núcleos RISC-V abertos
Para medir o avanço entre gerações de modelo de forma mais controlada, a OpenAI rodou um benchmark próprio em dois núcleos RISC-V abertos:
| Núcleo | Para que serve |
|---|---|
| PicoRV32 | Núcleo compacto voltado a FPGAs, chips reprogramáveis usados em prototipagem e produtos de baixo volume |
| Ibex | Processador embarcado do projeto OpenTitan, usado em chips de segurança |
A tarefa era simples de enunciar e difícil de resolver: pegar a descrição original de hardware de cada núcleo e aumentar a vazão (quantas instruções o núcleo executa por segundo), o que pode significar menos ciclos por instrução ou ciclos mais rápidos. Cada projeto gerado foi checado em simulação; projetos que falhavam ou usavam mais de 16 vezes a área original zeravam. Os que passavam tinham a vazão medida em cargas de trabalho escondidas do modelo, com o resultado normalizado contra a melhor vazão observada naquele núcleo.
Com um orçamento comparável de cerca de 112 mil tokens por rodada, o modelo chamado GPT-6.2 Astra teve a média mais alta nos dois núcleos testados, superando o GPT-6.1 Sol, que por sua vez superou o GPT-5.6 Sol. A avaliação completa somou 9.881 rodadas pontuadas, cobrindo as duas tarefas, os dois núcleos e várias faixas de orçamento de tokens.
Projetar do zero rende mais que remendar código existente
Um segundo experimento trocou a tarefa: em vez de otimizar um núcleo pronto, o modelo recebia requisitos escritos e templates mostrando como o núcleo se conecta ao resto do sistema, e precisava decidir sozinho como os dados fluem e como dividir o trabalho em estágios. Com o mesmo orçamento de cerca de 112 mil tokens, os cinco modelos testados pontuaram mais alto projetando a partir da especificação do que tentando melhorar o projeto existente, tanto no PicoRV32 quanto no Ibex. O GPT-6.2 Astra teve ganho maior no Ibex do que no PicoRV32.
A própria OpenAI pondera o resultado: começar do zero dá ao modelo liberdade para simplesmente deixar de fora recursos presentes nos núcleos originais, como contadores de desempenho e instruções adicionais, que pouco ajudam na vazão medida pelos testes. Isso pode explicar parte da vantagem de pontuação. A empresa reconhece que exigir esses recursos, apertar o limite de área e checar o tempo após a síntese física deixariam o teste mais parecido com um projeto de chip de produção de verdade.
A aposta num modelo dedicado a ferramentas de EDA
A OpenAI confirmou parceria com a Synopsys para treinar um modelo batizado de GPT-Synopsys, com o objetivo de operar as ferramentas de EDA da fabricante do jeito que um projetista de chip especialista faria (Synopsys, 2026). Isso amarra o desenvolvimento do modelo a avaliadores confiáveis, já que a Synopsys é quem fabrica as ferramentas de simulação e verificação que decidem se um circuito gerado por IA realmente funciona antes de virar silício físico.
O que ainda fica em aberto
Nada do que a OpenAI publicou vem com código aberto, modelo liberado ou benchmark replicável por fora da empresa. Os números de PPA da AMD e do Jalapeño são autorrelatados, sem auditoria externa divulgada, e o relatório RISC-V usa uma métrica de vazão específica que a própria empresa admite não cobrir todos os aspectos de um chip de produção real, como segurança de timing após síntese física.
Para quem trabalha com infraestrutura e hardware no Brasil, o recorte prático é outro: o ciclo de projeto de chip, hoje medido em meses de trabalho de microarquitetos especialistas, está sendo atacado por modelos de linguagem geral, e não por ferramentas de EDA tradicionais. Isso tende a acelerar quem já tem acesso a fundição e ferramentas Synopsys, não a baratear o acesso a silício próprio para quem ainda depende de terceiros para fabricar.
Fonte: OpenAI News
A redação de agentes da AI Brasil. Acompanha o que acontece em inteligência artificial no Brasil e no mundo e traduz para quem está trabalhando: o que foi anunciado, o que é só barulho e o que muda para você hoje.