OpenAIのAI半導体設計とは?RTL改善・EDA検証・PPA・実製品反映の流れ

当サイトではアフィリエイト広告を利用しています。

OpenAIは2026年11月18日、AIモデルを半導体設計へ使った成果を公開しました。対象には、自社の推論チップ「Jalapeño」とAMDのGPU・CPU設計が含まれます。

今回の成果で重要なのは、AIがSystemVerilog RTLを書き換え、その案をSynopsysのEDAツールで機能等価性とPPA(電力・性能・面積)の観点から検証し、人の設計工程を経て実際の製品設計へ反映した点です。

AI半導体設計の実用性は、元の機能を保ち、PPAの改善を確認し、設計者が採用できる証拠を揃え、製造やシリコン確認まで進められるかで決まります。

AI半導体設計はRTL改善とEDA評価を反復し、採用工程へ進める

半導体の論理設計では、回路の動作をSystemVerilogなどのRTL(Register Transfer Level)で記述します。RTLは、どの演算を行い、データをどこへ移し、クロックごとに状態をどう変えるかを表す設計記述です。

OpenAIが公開した流れでは、AIモデルが既存RTLを読み、回路の実装方法やパイプライン構成を書き換えます。その後、EDAツールを使って元の回路と同じ動作を保っているかを確認し、PPAを測ります。

公開事例を工程にすると、RTL改善とEDA評価を繰り返す改善ループと、その後の採用・実設計工程に分けられます。

区分工程主な作業確認すること
改善ループ1. RTL改善案AIがSystemVerilog RTLを書き換える回路構造、演算、制御、データ移動の改善候補
改善ループ2. 機能等価性EDAツールで元設計との動作を比較出力や状態遷移が元の設計と一致するか
改善ループ3. PPA評価合成・解析で電力、性能、面積を測る改善量とトレードオフ
採用・実設計4. 人のレビュー設計者が変更内容と検証結果を確認する製品設計へ入れられる変更か
採用・実設計5. 実設計へ反映生産設計ファイルやシリコンへ進める実際の製造・立ち上げ工程で成立するか

RTL改善、機能等価性確認、PPA評価は、評価結果を次の設計候補へ反映する改善ループとして扱います。検証済みの候補は人のレビューで採用可否を判断し、その後に実設計への反映・確認へ進みます。

Jalapeñoでは標準セル面積を約13%・10%削減した

OpenAIは2025年初めからGPT-4oを、自社初のカスタム推論チップJalapeñoの設計支援へ使いました。

公開された結果では、モデルが提案した変更により、warp engineの標準セル面積を約13%、matrix unitを約10%削減したとOpenAIは報告しています。これらは各ブロックの標準セル面積の改善値です。

matrix unitでは、より細かな例も公開されています。

  • 乗算器の再設計で、合成時のセル面積を約15%削減
  • 同じ乗算器で、遅延を2クロックから1クロックへ短縮
  • 別の加算器では、2クロックの遅延を維持しながらセル面積を約15%削減
  • dot-product回路やパイプライン構成でも追加の改善

warp engineでは、浮動小数点の加算器・乗算器、変換処理、reduction logic、special-function unitなどで改善案を探索しました。OpenAIは、演算回路の代替実装に加え、計算をどのパイプライン段へ置くか、ハードウェアをどこまで共有するかまでモデルが探索したと説明しています。

Jalapeñoでの変更は、チップの立ち上げ時にシリコン上で確認されたとOpenAIは報告しています。公開結果は、実際のシリコンまで進んだ確認を含みます。

AMDでは最適化済みGPU IPに対して最大14%のPPA改善を報告

OpenAIとAMDの共同作業では、旗艦GPUのIPを対象に、十分に最適化された既存設計からさらに改善を探しました。

OpenAIによると、AIモデルがSystemVerilog RTLを書き換え、旗艦GPU IPで最大14%のPPA改善を確認しました。14%はPPA改善として公表された最大値で、電力・性能・面積の個別内訳は公開されていません。

OpenAIは、この取り組みを通常ならおよそ1年分に相当する進展を5か月未満で得た成果と説明しています。一部の変更は、AMDが製造へ送った最近の設計へ取り込まれ、別の変更は将来版向けのproduction design filesへ追加されました。

次世代の旗艦CPUでも、モデルが書いた設計によって主要ブロックで一桁%のPPA改善をAMDが確認したとOpenAIは報告しています。

この事例では、AIが改善案を生成し、既存のEDAツールで機能を確認したうえで、設計者が製品設計へ採用しています。

機能等価性とPPAは別の確認を担当する

AIがRTLを書き換える場合、最初の条件は元の回路が担っていた機能を保つことです。

たとえば面積を小さくできても、演算結果が変わる、特定の状態で制御が崩れる、例外処理が欠けると製品設計には使えません。OpenAIはSynopsysのツールを使い、各書き換えが元のブロックの動作を保っているかを検証したと説明しています。

機能が保たれた候補に対して、PPAを評価します。

  • Power:消費電力
  • Performance:動作速度やタイミング
  • Area:回路が必要とする面積

3つは相互に影響します。高速化のために回路を増やすと面積や電力が増える場合があり、面積を小さくするとクリティカルパスが変わる場合があります。

AI設計の採用では、製品側が定めた制約の中でPPAのバランスを改善することが重要です。

物理製品設計でも、AIが作った設計案と製造条件を別工程で確認する必要があります。GPT-6 Astraを使った端末設計で、AIによる設計と製造準備の人レビューをどう分けたかはこちらの記事で確認できます。

GPT-6 Astraの物理製品設計とは?試作を速める工程と製造準備で人が確認する点
OpenAIが公開したGPT-6 Astraの物理製品設計・試作検証を深掘り。1週間未満の端末設計、1か月未満の少量試作、製造準備で必要だった公差・生産制約・組立条件のレビュー、BenchCAD 2.0の評価範囲を整理します。

人のレビューは「採用できる変更か」を判断する

EDAツールの検証を通過した変更も、製品へ反映する前に設計者の判断が入ります。

公開されたAMDの事例では、AI提案の一部が製造へ送った設計へ入り、別の変更が将来版のproduction design filesへ加えられました。これは、AIが出した候補を設計工程の外で見る実験から、既存の製品開発フローへ組み込む段階へ進んだことを示しています。

実製品での採用判断では、少なくとも次の情報が必要になります。

  • 元のRTLから何を変えたか
  • 機能等価性をどう確認したか
  • PPAがどの条件で改善したか
  • タイミングや面積などの制約を満たしているか
  • 変更による検証範囲の追加が必要か
  • 将来の設計変更やデバッグで追跡できるか

AIが変更案を大量に出せるほど、採用候補へ絞る検証条件と変更履歴の管理が重要になります。

RISC-V評価では「改善案を作る能力」を同じ条件で比較した

OpenAIはJalapeñoやAMDの実製品事例とは別に、モデル世代ごとの半導体設計能力を比較するため、2つのオープンソース32ビットRISC-Vコアを使った評価も公開しました。

対象はPicoRV32とIbexです。モデルへ既存のハードウェア記述を渡し、スループットを上げるよう求めました。

評価では、次の条件が設定されています。

  • シミュレーションで正しさを確認
  • チェックに失敗した設計はスコア0
  • 元のコアの16倍を超える面積を使う設計もスコア0
  • 通過した設計は、モデルから隠したワークロードでinstructions per clockを測定
  • Yosysで推定した最大クロック周波数を組み合わせてthroughputを算出
  • コアごとに観測した最高throughputを1.0として正規化

約11万2000トークンという比較可能な予算では、GPT-6.2 AstraがPicoRV32とIbexの両方で最も高い平均スコアを記録しました。

OpenAIは、既存RTLの最適化に加え、文章で与えた仕様からコアを設計する評価も実施しています。全体では、2タスク・2コア・複数のトークン予算を合わせて9,881回の採点済みrunが含まれます。

RISC-V評価と製品採用は確認段階が異なる

RISC-V評価は、モデル世代の設計能力を比較するための評価環境です。JalapeñoとAMDの結果は、製品設計での採用やシリコン確認まで含む実務事例です。

公開情報で確認できる到達段階を分けると、次のようになります。

対象確認できた段階公開された内容
RISC-V評価シミュレーション・論理合成を使った評価正しさ、面積上限、throughputを同じ条件で比較
AMD製品設計への採用一部変更を製造へ送った設計へ反映、将来版の設計ファイルにも追加
Jalapeñoシリコン立ち上げAI提案の最適化をsilicon bring-upで確認

OpenAI自身も、RISC-V評価を製品設計へ近づける条件として、仕様で必要な機能をより厳密に要求すること、回路面積の上限を厳しくすること、physical synthesis後のタイミングを確認することを挙げています。

この区別によって、ベンチマークで高いスコアを出す能力と、実製品へ変更を入れる能力を別々に評価できます。

GPT-SynopsysはEDAツールを使う能力そのものを学習対象にする

OpenAIとSynopsysは2026年9月30日、半導体設計向けの特化モデル「GPT-Synopsys」を共同開発すると発表しました。

複数年の提携で、OpenAIはSynopsysのEDAツールをライセンスし、モデルが専門のチップ設計者のようにツールを操作し、結果を読み、次の設計候補へ反映できるよう学習を進めます。

今回の11月18日の発表でも、SynopsysのツールがAIによるRTL改善の検証に使われています。今後は、RTLを生成する能力に加えて、EDAツールを使って自分の設計案を評価し、検証結果から次の改善へ進む能力を高める方向です。

半導体設計では、RTL改善とEDA評価を同じ改善ループに置くことで、設計候補を作る速度を上げながら、検証済み候補を人の採用判断と既存の設計フローへ接続できます。

実務へ入れるときは6つの確認点を固定する

今回の公開事例を一般的なAI半導体設計の運用へ置き換えると、先に固定したい確認点は6つあります。

  1. 基準設計:どのRTLを比較対象にするか
  2. 機能条件:何を同じ動作として確認するか
  3. PPA条件:電力、性能、面積をどの制約で測るか
  4. 候補の採用基準:どの改善幅と検証証拠で人のレビューへ進めるか
  5. 変更履歴:AIがどこを変え、どのツール結果を根拠にしたか
  6. 実設計での確認:製造へ渡す前後、シリコン立ち上げで何を確認するか

この6点を固定すると、AIが多数の設計候補を探索しても、比較条件と採用基準を維持できます。

AI半導体設計では、RTL改善・機能検証・PPA評価を改善ループとして反復し、検証済み候補を人の採用判断と実設計での確認へ進めることが、製品へつなげる条件になります。

まとめ

OpenAIが公開した半導体設計の成果では、AIモデルがSystemVerilog RTLを改善し、SynopsysのEDAツールで機能等価性とPPAを検証し、人の設計工程を経て製品設計へ反映する流れが示されました。

Jalapeñoでは、warp engineの標準セル面積を約13%、matrix unitを約10%削減したとOpenAIは報告し、変更はsilicon bring-upで確認されています。AMDとの共同作業では、旗艦GPU IPで最大14%のPPA改善を報告し、一部の変更は製造へ送った設計へ採用されました。

RISC-V評価では、同じ条件でモデル世代の設計能力を比較し、約11万2000トークンの予算でGPT-6.2 AstraがPicoRV32とIbexの両方で最も高い平均スコアを記録しました。

実務では、機能等価性、PPA、設計者レビュー、実設計での確認を通じて採用できる変更へ絞ることが重要です。RTL改善とEDA評価を改善ループとして反復し、検証済み候補を採用・実設計工程へ進める設計が、半導体開発でのAI活用を製品成果へつなげます。

公式情報・参照先

タイトルとURLをコピーしました