使用 OpenAI 模型推进芯片设计
OpenAI 声称其模型能够推进芯片设计,包括与 AMD 和 Synopsys 的合作以及 RISC-V CPU 实验,但这些说法因指标含糊、缺少公开设计,以及一些人认为带有 IPO 驱动的营销色彩而遭到质疑。评论者争论大模型究竟能在多大程度上处理 RTL、floorplanning 和验证,考虑到高质量训练数据稀缺,以及任何生产力提升是否会被持续存在的验证瓶颈所抵消。许多人还担心知识产权暴露,以及 AI 供应商长期可能利用客户专有设计中的洞见直接与客户竞争。
对公告的看法 / 营销背景
- 许多人认为这篇帖子更像是 IPO 前炒作和“营销噪音”,而不是实质性进展。
- 另一些人则认为营销本就是竞争的一部分,而且对手也在提升媒体曝光度。
- 也有人表示,如果这些由 OpenAI 撰写的案例研究能由第三方公司独立报告结果,会更有说服力。
对指标和说法的怀疑
- 几位评论者批评使用了“平均归一化奖励”这类含糊指标,却没有清晰定义。
- AMD 所称的“个位数 PPA 提升”被认为带有保留:仅限于“关键模块”以及“由我们的模型编写的设计”,这为收益很小甚至偶然带来好处留下了空间。
- 没有公开发布 RISC-V 设计,或没有给出具体的 y 轴单位,被一些人视为结果可能并不惊艳的证据。
LLM 真的能设计芯片吗?数据、方法与范围
- 关于可行性的争论:有些人认为 RTL 优化和逻辑级工作非常适合 LLM + RL;另一些人则坚持,根本没有足够高质量的 RTL 和版图数据。
- 人们区分了以下两类:
- RTL / 逻辑综合(工具和指标已较成熟,LLM 似乎已经有用),以及
- floorplanning、布线、模拟/RF 和先进 ASIC 工作,这些领域数据稀缺、空间约束强,而且目前仍大多依赖人工。
- 像 DEC 的 SID 以及现代 EDA 工具之类的旧系统,早已自动化了逻辑综合中的大部分环节;在这一点上,AI 被视为渐进式而非革命性的进步。
验证才是真正的瓶颈
- 业内设计人员强调,设计时间并不是主要限制;验证和确认才主导整个日程。
- 即便从规格到 RTL 的时间降到零,最终芯片产出的吞吐量也可能几乎不会改变。
- 更多自动生成的 RTL 反而可能增加验证负担。
IP、合作关系与数据利用担忧
- 人们怀疑 AMD/Synopsys 如何与 OpenAI 共享 RTL,以及在“不会用于训练”的承诺下,这些数据是否会被挖掘利用。
- 有人将此与 Amazon/Apple 利用合作伙伴或平台数据来打造竞争性产品进行类比。
- 更广泛的担忧是,AI 提供商既会提供工具,最终又会直接与自己的客户竞争。
其他说明
- RISC-V 被视为避免许可摩擦的自然选择。
- 有些人表示,使用 LLM 生成 EDA 脚本、胶水代码和简单板卡有一定效果,但无法胜任高端版图。
- 另一个分支讨论了 Jalapeño 芯片名称及其多层含义,主要作为轻松插曲。