ИИ OpenAI ускорил оптимизацию графического чипа AMD на 14% за пять месяцев вместо года
Нейросеть OpenAI справилась с задачей оптимизации графического чипа AMD на 14% всего за пять месяцев, тогда как инженерам на это потребовался бы год. Этот случай демонстрирует растущую роль ИИ в полупроводниковой отрасли и может изменить подходы к проектированию чипов.
Инженеры AMD совместно с исследователями OpenAI применили нейросеть для оптимизации архитектуры графического процессора, достигнув прироста производительности на 14% при снижении энергопотребления. Работа, которая обычно занимает около года у команды инженеров, была выполнена за пять месяцев. Результаты проекта были обнародованы на этой неделе и уже вызвали интерес в отраслевом сообществе. Показательно, что речь идёт не о вспомогательной оптимизации логики или предсказании дефектов, а о полноценном архитектурном поиске, который традиционно считается вотчиной опытных проектировщиков. Именно поэтому кейс воспринимается как знаковый: он показывает, что генеративные модели способны влиять на ключевые решения в разработке чипов, а не только на периферийные задачи.
Согласно опубликованным данным, ИИ-модель анализировала миллионы вариантов конфигураций чипа, включая расположение вычислительных блоков, топологию межсоединений и параметры кэш-памяти. В процессе оптимизации нейросеть предложила несколько неочевидных решений, которые впоследствии были проверены на прототипах. Итоговый прирост производительности в 14% достигается в задачах машинного обучения и рендеринга, а энергоэффективность улучшилась на 9%. Представители AMD подтвердили, что технология будет внедрена в будущих поколениях GPU, начиная с архитектуры RDNA 5. Отдельно стоит подчеркнуть, что улучшения касаются именно тех сценариев, которые сегодня наиболее востребованы — обучения нейросетей и графического рендеринга, то есть областей, где конкуренция между производителями GPU особенно остра и где каждый процент производительности и энергоэффективности имеет коммерческое значение.
Техническая сторона проекта раскрывает применение генеративного дизайна: модель OpenAI, обученная на огромном массиве данных о полупроводниковых структурах, генерировала варианты компоновки, а затем симулировала их работу с помощью специализированного ПО. Инженеры выступали в роли экспертов, отбирая лучшие предложения и корректируя ограничения. Такой подход позволил сократить количество итераций физического прототипирования с десятков до трёх. Важно, что ИИ не заменял инженеров, а работал как инструмент ускорения поиска оптимальных решений. По сути, речь идёт о гибридном процессе, в котором машина отвечает за широту охвата пространства поиска и учёт сложных взаимосвязей между параметрами, а человек — за постановку ограничений, экспертизу и финальную верификацию. Именно такое разделение ролей, судя по описанию, и обеспечило сокращение сроков без потери качества.
До этого случая применение ИИ в проектировании чипов ограничивалось вспомогательными задачами, такими как оптимизация логики или предсказание дефектов. Конкуренты AMD, включая Nvidia и Intel, также экспериментируют с машинным обучением для ускорения разработки, но публичных данных о столь значительном сокращении сроков до сих пор не было. Например, Nvidia использует ИИ для настройки параметров своих GPU, но не сообщала о проценте улучшений. Успех AMD может подтолкнуть других производителей к более активному внедрению нейросетей в процесс проектирования, что способно ускорить выпуск новых продуктов и снизить затраты на R&D. На фоне общего ужесточения конкуренции в сегменте ускорителей для ИИ и перебоев в поставках чипов в Китай, о которых сообщается в отраслевой повестке, фактор скорости разработки становится стратегическим: выигрывает тот, кто быстрее проходит путь от идеи до серийного продукта.
Для российского рынка эта новость имеет двоякое значение. С одной стороны, отечественные разработчики чипов, такие как «Байкал электроникс» и «Эльбрус», пока не обладают ресурсами для обучения столь крупных моделей, однако они могут воспользоваться открытыми инструментами ИИ для оптимизации своих архитектур. С другой стороны, успех AMD демонстрирует, что конкуренция на глобальном рынке GPU ускоряется, и российским компаниям придётся искать нишевые применения ИИ, чтобы не отстать. Эксперты отмечают, что подобные проекты требуют больших вычислительных мощностей, которые доступны не всем игрокам, что может усилить разрыв между лидерами и догоняющими. В условиях, когда доступ к передовым чипам и обучению крупных моделей ограничен, отечественным командам разумнее делать ставку на прикладные, узкоспециализированные решения, где отдача от ИИ достигается при меньших затратах.
По сравнению с традиционными методами оптимизации, где инженеры вручную перебирают параметры, ИИ-подход обеспечивает более широкий охват пространства поиска и учитывает сложные взаимосвязи. Альтернативой может служить использование специализированных САПР с элементами ИИ, но они обычно ориентированы на логический синтез, а не на архитектурный дизайн. Метод OpenAI и AMD сочетает генеративный подход с симуляцией, что даёт более целостные решения. Однако остаётся открытым вопрос о верификации: насколько предложенные ИИ структуры надёжны и масштабируемы при переходе на новые техпроцессы. Пока подтверждение получено лишь на прототипах, и предстоит выяснить, сохранится ли прирост при серийном производстве и на других технологических нормах.
В перспективе ожидается, что подобные коллаборации между разработчиками чипов и ИИ-компаниями станут нормой. AMD уже заявила о планах расширить использование нейросетей на этапы верификации и тестирования, что может ещё больше сократить время вывода продуктов на рынок. В то же время отрасль нуждается в стандартизации методов оценки эффективности ИИ-оптимизаций, чтобы избежать маркетинговых спекуляций. Открытым остаётся и вопрос о том, как будет развиваться сотрудничество OpenAI с другими производителями чипов, учитывая, что у компании есть собственные амбиции в области полупроводников. Насколько воспроизводим этот результат на других архитектурах и не окажется ли он привязан к конкретной модели и конкретному набору данных — пока неясно, и именно от ответов на эти вопросы будет зависеть, станет ли кейс AMD единичным эпизодом или поворотным моментом для всей отрасли.