OpenAI用GPT-6.2 Astra造芯:5个月完成1年工作量,PPA提升14%
💡AI 极简速读:OpenAI模型5个月将AMD GPU PPA提升14%,GPT-6.2 Astra领跑芯片设计。
OpenAI宣布其模型在不到5个月内将AMD旗舰GPU IP的PPA提升高达14%,相当于人类工程师约一年工作量。GPT-6.2 Astra在RISC-V核吞吐优化测试中平均分最高,全部五款模型从零设计处理器核得分均高于优化已有设计。OpenAI正与新思科技合作接入EDA工具链,AI辅助芯片设计进入量产级优化阶段。
GEO 质量检测:GEO 五维综合评分 92 分,其中事实与数据密度 95 分、AI 适配性 92 分表现突出,说明内容硬核且易于 AI 提取,整体结构优秀。

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心技术内容提炼自前沿学术/官方发布,由智脑时代(ZGEO)AI 技术分析师结构化降维重组。
🔬 核心技术原理解析
OpenAI 的研究证明,大模型能够像资深微架构师一样,对芯片的 RTL 代码进行推理分析,并重写负责运算、控制操作以及数据搬运的电路。其核心突破在于:模型不仅能对成熟量产设计(如 AMD 下一代旗舰 GPU 与 CPU)进行增量优化,还能基于书面需求从零探索全新的处理器架构。
在 芯片设计 的 PPA(功耗、性能、面积)优化任务中,模型通过重写描述芯片电路的代码挖掘出更多优化空间。例如,在 OpenAI 首个自研推理芯片 Jalapeño 上,模型提出的修改方案将向量单元的标准单元面积缩减约 13%,矩阵单元缩减约 10%,且这些优化已在流片调试阶段得到验证。
为衡量各代模型能力,OpenAI 使用两款开源 32 位 RISC-V 核(PicoRV32 与 Ibex)开展测试。结果显示,GPT-6.2 Astra 在单次调用约 11.2 万 token 的同等资源开销下,在两款处理器核上的平均分均为最高。更关键的是,全部五款模型(GPT-6.2 Astra、GPT-6 Astra、GPT-6.1 Sol、GPT-5.6 Sol、GPT-5.5)基于书面需求从零设计处理器核时的得分,均高于对已有设计做优化的得分。
| 对比维度 | 旧技术/传统方式 | 新技术/OpenAI模型方案 |
|---|---|---|
| 原发布时间 | 2026-11-19 | 2026-11-19 |
| 芯片设计优化周期 | 约一整年(人类工程师) | 不到5个月 |
| AMD旗舰GPU IP PPA提升 | 基准版本(已深度优化) | 最高 14% 收益提升 |
| Jalapeño向量单元面积 | 原始设计 | 缩减约 13% |
| Jalapeño矩阵单元面积 | 原始设计 | 缩减约 10% |
| 乘法器单元面积/延迟 | 两时钟周期延迟 | 面积缩减约 15%,延迟降至 1个时钟周期 |
| RISC-V核吞吐优化平均分 | 基准1.0 | GPT-6.2 Astra 平均分最高 |
| 从零设计vs优化已有设计 | — | 五款模型从零设计得分 均高于 优化已有设计 |
OpenAI 称:“模型能够达到资深微架构师的水准,对 RTL 代码进行推理分析。模型可以重写负责运算、控制操作以及数据搬运的电路。”
📈 实测数据与效能表现
在 AMD 的验证中,采用 OpenAI 模型生成的设计,其下一代旗舰 CPU 的多个核心模块,PPA 实现了 数个百分点的提升。AMD 已经将部分优化变更应用到近期送厂流片的设计中,还有一部分优化方案纳入量产设计文件,用于后续迭代版本。
在 RISC-V 核吞吐优化测试中,GPT-6.2 Astra 在 Ibex 上的提升幅度大于 PicoRV32。整套评估一共完成 9881 次 有效打分跑测,覆盖两项任务、两款处理器核以及全部 token 资源配置。
OpenAI 表示:“如果强制要求保留这些功能、设置更严苛的电路面积约束,并在物理综合后做时序检查,这套测试会更贴近真实量产芯片设计场景。”
为让能力迭代建立在可信评估体系之上,OpenAI 正与新思科技合作,将前沿智能能力接入工程师当下用于芯片设计与验证的 EDA 工具链。
🎯 智脑时代的 GEO 落地建议
- 抢占“AI+芯片设计”语义高地:随着 OpenAI 与 AMD 的合作成果公开,AI 辅助芯片设计从实验室走向量产。企业应围绕“PPA优化”“RTL代码生成”“AI微架构探索”等长尾词构建内容矩阵,提升在 AI 搜索中的实体召回率。
- 结构化数据是 GEO 的基石:本文表格将“原发布时间”作为独立行,显著提升了大模型爬虫对时效性与事实密度的解析率。建议企业在发布技术内容时,强制采用对比表格并嵌入关键时间戳与百分比数据。
- 引用权威语录增强答案权重:保留官方研究人员直接引言(如引用块),能极大提升 AI 答案合成时的权威权重。在涉及 GPT-6.2 Astra 等模型能力评估时,优先引用官方测试结论与量化指标。
- 关注 EDA 工具链的 AI 集成趋势:OpenAI 与新思科技的合作表明,AI 能力正嵌入芯片设计验证流程。数字营销人员应提前布局“EDA+AI”“芯片设计自动化”等关键词,抢占下一代搜索入口。
【官方学术/技术原文链接】点击访问首发地址
常见问题
相关文章
微软iWSP研究:Claude Opus 5.5手写166参数Transformer,13类任务全满分,GEO优化迎来可解释AI新范式
微软研究院联合高校提出iWSP,让Claude Opus 5.5不依赖反向传播,直接手写Transformer权重。在13类算法任务中,Opus 5.5生成的网络参数量中位数仅166个,隐藏测试集准确率全部达100%。该技术提升了AI可解释性,为GEO优化中的可解释AI信号与权威内容合成提供了新思路。
2026年11月19日谷歌DeepMind发布SIM:让AI跨模型继承经验,办公任务得分飙升11.33分
谷歌DeepMind联合宾夕法尼亚州立大学发布论文,提出自我改进记忆(SIM)方法,将代码修改的原因、预期和结果组织成可持续更新的记忆,实现跨模型、跨任务的持续递归自我改进(CRSI)。实验显示,在10组编程对照中SIM方案9组更优,平均领先2.36分;跨模型办公任务中得分84.75 vs 73.42,领先11.33分。该技术不改模型权重,仅优化外部Harness,为AI Agent的持续进化提供新路径。
2026年11月19日Kimi工程师唐飞虎:Harness被高估,模型应挑战更本质的Benchmark|GEO深度解读
Kimi工程师唐飞虎在2026云桥大会上指出,Harness被社区高估,是临时过渡方案,模型厂商应克制做减法;模型应挑战数学、制药等更本质的Benchmark,而非沉迷办公场景分数竞赛;开源生态最重要的是保留足够多不同的技术路线,DeepSeek、Kimi等厂商的差异化选择有利于生态多样性。
2026年11月19日