Künstliche Intelligenz verlangt nach immer leistungsfähigeren Prozessoren. Nun arbeitet sie, angeleitet von Ingenieuren und kontrolliert durch klassische Entwicklungswerkzeuge, an deren Schaltungslogik mit. OpenAI berichtete am 18. November 2026, eigene Modelle hätten den Entwurf von Teilen einer Spitzen-GPU von AMD optimiert. Gegenüber bereits stark ausgereizten Ausgangsentwürfen seien dabei PPA-Verbesserungen von bis zu 14 Prozent erreicht worden.
Allerdings ist der von OpenAI genannte Wert weder unabhängig bestätigt noch als Leistungssprung des gesamten Prozessors zu verstehen: Er bezeichnet das beste gemeldete Ergebnis für nicht näher bezeichnete Bereiche des GPU-Entwurfs. Den zugänglichen Angaben ist außerdem nicht zu entnehmen, welche Schaltungen verändert wurden und wie sich der Fortschritt auf Rechenleistung, Energiebedarf und Chipfläche verteilt.
Damit stellt sich die zentrale Frage: Zwischen einer überzeugenden Änderung im Schaltungscode und funktionierendem Silizium liegt ein langer Weg aus Simulation, Prüfung und Fertigung. Welchen Teil dieses Wegs kann ein KI-Modell bereits übernehmen, und an welcher Stelle bleibt seine Arbeit auf die Erfahrung menschlicher Entwickler angewiesen?
Die Bedeutung der 14 Prozent
PPA fasst drei Größen zusammen, die bei der Chipentwicklung eng miteinander verflochten sind: Power, Performance und Area – Energiebedarf, Rechenleistung und Fläche. Ein höheres Tempo kann zusätzlichen Strom verlangen; aufwendigere Schaltungen können mehr Platz beanspruchen. Optimiert wird deshalb nicht ein einzelner Wert, sondern das Verhältnis konkurrierender Anforderungen.
Eine unabhängige technische Auswertung des AMD-Projekts liegt bislang nicht vor. OpenAI zufolge ließ der Chiphersteller einzelne Bereiche des SystemVerilog-RTL-Codes von Modellen überarbeiten. Diese Hardwarebeschreibung legt die logische Struktur digitaler Schaltungen fest. Werkzeuge von Synopsys prüften laut OpenAI anschließend, ob die RTL-Varianten ihre Funktion behielten, und bewerteten die Folgen für PPA. Der Wert ist als bestes Einzelergebnis und nicht als durchschnittlicher Zugewinn über alle bearbeiteten Bereiche zu verstehen. Wie viel davon jeweils auf Leistung, Energiebedarf oder Fläche entfällt, schlüsselt die Veröffentlichung nicht auf.
AMD habe einen Teil der Änderungen in einen bereits zur Fertigung übergebenen Entwurf aufgenommen. Weitere Anpassungen seien in Produktionsdateien für künftige Versionen hinterlegt worden. Da die OpenAI-Veröffentlichung weder die betroffene GPU noch die bearbeiteten Schaltungsblöcke nennt, lassen sich nur Fortschritte an Teilen eines Entwurfs festhalten, keine pauschale Leistungssteigerung eines gesamten AMD-Prozessors. Welche technische Tragweite die Änderungen haben, hängt außerdem davon ab, ob sie die weiteren Prüfungen bestehen und den Fertigungsprozess erfolgreich durchlaufen. Recherchequelle: openai.com
Vom Modellentwurf zum funktionierenden Silizium
Wie weit KI-Entwürfe über die Simulation hinausreichen, zeigt OpenAIs Inferenzbeschleuniger Jalapeño. Der Chip wurde von Grund auf für die Inferenz großer Sprachmodelle konzipiert. Broadcom und Celestica unterstützten die Umsetzung in Hardware und die Integration des Systems. Vom ersten Entwurf bis zum Tape-out seien neun Monate vergangen. Beim Tape-out werden die fertigen Designdaten an die Fertigung übergeben. OpenAI setzte seine Modelle dabei für Teile der Entwicklung und Optimierung ein.
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Bei der Vorstellung im Juni 2026 liefen technische Muster laut der gemeinsamen Mitteilung bereits mit der angestrebten Taktfrequenz und Leistungsaufnahme; die abschließende Leistungsmessung war zu diesem Zeitpunkt noch nicht beendet. Damit lagen mehr als reine Simulationsergebnisse vor, doch aus funktionsfähigen Mustern lassen sich nicht ohne Weiteres sämtliche Eigenschaften des späteren Serieneinsatzes ableiten. Recherchequelle: broadcom.com
Für zwei Rechenblöcke beziffert OpenAI den Einfluss der modellgestützten Änderungen konkret: Die Standardzellenfläche der Vektoreinheit sei um etwa 13 Prozent gesunken, jene der Matrixeinheit um rund 10 Prozent. Nach Angaben des Unternehmens bestätigten sich diese Optimierungen beim Hochfahren des gefertigten Siliziums, lassen sich aber nicht von den einzelnen Einheiten auf die gesamte Chipfläche übertragen. Dennoch belegt Jalapeño praktisch, dass modellgestützte Änderungen den Weg in funktionierende Hardware finden können – eingebettet in einen Entwicklungsprozess, der weit mehr umfasst als das Erzeugen von RTL-Code.
Aufgabenteilung zwischen KI und Ingenieur
Im beschriebenen Jalapeño-Projekt arbeitete die KI nicht als eigenständiger Chipentwickler: Ingenieure gaben Ziele und Randbedingungen vor, ließen RTL-Code erzeugen oder verändern und bewerteten die Ergebnisse. So konnte das Modell alternative Lösungen zur Prüfung stellen; über deren technische Eignung entschieden anschließend die Prüfungen und das Urteil der Fachleute.
OpenAIs Hardwarechef Richard Ho zufolge kamen bei Jalapeño sowohl unternehmenseigene Modelle als auch Codex zum Einsatz – während der Entwicklung ebenso wie bei der Optimierung von Softwarekernen. Am Ende stand dennoch der übliche EDA-Ablauf. Vor dem Tape-out prüfte das Team den Entwurf unter anderem mit statischen Timing-Analysen und Untersuchungen der Signalintegrität. Diese Verfahren klären, ob eine Schaltung unter den vorgesehenen zeitlichen und elektrischen Bedingungen zuverlässig arbeiten kann. Recherchequelle: tomshardware.com
Nicht den Austausch der Entwickler, sondern die höhere Produktivität des Teams rückte Ho dabei in den Vordergrund. Die Modelle beschleunigten einzelne Arbeitsschritte und halfen, Entwurfsvarianten zu untersuchen; Spezifikation, Auswahl und Freigabe blieben im geschilderten Prozess jedoch an Ingenieure gebunden, die Verifikation an etablierte Werkzeuge. Daraus ergibt sich ein realistischeres Bild als aus der Vorstellung autonomer Chipentwicklung: KI kann Varianten erzeugen, doch deren Belastbarkeit entsteht erst durch fachliche Kontrolle und technische Tests.
Der RISC-V-Versuch als Modellvergleich
Der RISC-V-Versuch dient vor allem dem Vergleich der Modelle unter festgelegten Bedingungen. OpenAI nutzte dafür die offenen 32-Bit-Kerne PicoRV32 und Ibex. In einer Aufgabe sollten die Modelle bestehende RTL-Entwürfe auf höheren Durchsatz trimmen; in der anderen erzeugten sie neue Kerne aus schriftlichen Anforderungen. Über beide Aufgaben, Prozessortypen und mehrere Tokenbudgets hinweg wertete OpenAI nach eigenen Angaben 9.881 Durchläufe aus.
Die Bewertung setzte klare, aber großzügige Grenzen. Entwürfe erhielten null Punkte, wenn sie die Simulation nicht bestanden oder mehr als das 16-Fache der Fläche des jeweiligen Ausgangskerns benötigten. Für die übrigen Varianten ermittelte OpenAI zunächst das geometrische Mittel der auf verborgenen Testlasten gemessenen Instruktionen pro Takt. Diesen Wert multiplizierte das Unternehmen mit der von Yosys geschätzten maximalen Taktfrequenz. Der beste Durchsatz je Kern und Vergleichsbedingung wurde auf 1,0 normiert; in die veröffentlichten Mittelwerte gingen auch Läufe mit null Punkten ein. Auf diese Weise lassen sich Modellgenerationen vergleichen. Die Bedingungen erfassen allerdings nur einen Teil dessen, was ein industrieller Chipentwurf erfüllen muss.
Die erzeugten Kerne unterlagen zudem einer Einschränkung: Merkmale des Originals, darunter Leistungszähler und zusätzliche Befehle, durften fehlen. Zwar trugen solche Funktionen möglicherweise wenig zum Durchsatz in den verwendeten Testlasten bei, sie gehören aber dennoch zum Umfang eines Prozessors. Da auch eine vollständige physische Implementierung nicht geprüft wurde, lässt sich aus dem Benchmark keine Serienreife ableiten. Als Schritte zu produktionsnäheren Versuchen nennt OpenAI ein strengeres Flächenlimit und Timingprüfungen nach der physischen Synthese; die bisherigen Ergebnisse zeigen Erfolge innerhalb der gewählten Testumgebung, nicht die Entwicklung eines serienreifen Prozessors.
GPT-Synopsys als Geschäftsmodell
Zur tatsächlichen Leistung von GPT-Synopsys liegen noch keine belastbaren Ergebnisse aus Kundenprojekten vor. OpenAI und Synopsys schlossen im September 2026 eine mehrjährige Vereinbarung über das spezialisierte Modell für die Halbleiterentwicklung. Es handelt sich bislang um ein angekündigtes Gemeinschaftsprodukt, nicht um ein öffentlich bewertetes Entwurfssystem. GPT-Synopsys soll mit EDA-Werkzeugen von Synopsys arbeiten, deren Ausgaben interpretieren und für weitere Entwurfsvarianten nutzen. Im Mittelpunkt stehen PPA, Timing und Verifikation.
Vermarktet werden soll der Dienst gemeinsam mit der erforderlichen Rechenleistung, dem Modellzugang und den Softwarelizenzen; vorgesehen ist eine Umsatzteilung. Synopsys zufolge sollen kundenspezifische Entwurfsdaten weder zum Training verwendet noch ungeschützt verarbeitet werden. Für diese Daten versprechen die Unternehmen Verschlüsselung sowie einstellbare Regeln für Aufbewahrung, Prüfung und Zugriffsrechte. Damit sind die geplante technische und geschäftliche Ausgestaltung sowie die vorgesehenen Schutzmechanismen beschrieben. Wie leistungsfähig und wirksam das Angebot in unterschiedlichen Kundenprojekten sein wird, ist noch nicht unabhängig belegt. Recherchequelle: synopsys.com
Die etablierten Prüfverfahren bleiben Teil dieses Konzepts: Synopsys-Chef Sassine Ghazi erläuterte gegenüber Reuters, dass herkömmliche Werkzeuge die Modellergebnisse weiterhin prüfen, die physikalischen Anforderungen kontrollieren und die Grundlage für den Sign-off bilden sollen. Das geplante Geschäftsmodell verbindet damit die Bearbeitung von Entwurfsvarianten durch das Modell mit der Absicherung ihrer technischen Gültigkeit durch spezialisierte EDA-Systeme. Erst aus diesem Zusammenspiel soll ein wiederholbar einsetzbares Werkzeug für weitere Halbleiterprojekte entstehen. Recherchequelle: investing.com
Beschleunigt die KI damit ihre eigene Grundlage?
Die technische Zusammenarbeit ist Teil einer weit größeren Geschäftsbeziehung. AMD und OpenAI kündigten im Oktober 2025 eine mehrjährige Vereinbarung über den Einsatz von AMD-GPUs mit einer Kapazität von bis zu sechs Gigawatt an. Die erste Ausbaustufe mit Instinct-MI450-Systemen und einem Umfang von einem Gigawatt sollte nach damaliger Planung in der zweiten Hälfte 2026 beginnen. Beide Unternehmen erklärten außerdem, technische Expertise auszutauschen und ihre Produktfahrpläne gemeinsam zu optimieren. Recherchequelle: openai.com
OpenAI soll damit nicht nur zu einem bedeutenden Abnehmer der Prozessoren werden. Das Unternehmen wirkt nach eigenen Angaben auch an deren technischer Verbesserung mit. Darin liegt ein möglicher Rückkopplungseffekt: Leistungsfähigere Modelle können Ingenieure bei der Optimierung von Schaltungen unterstützen. Effizientere Hardware könnte wiederum mehr Rechenleistung bereitstellen oder deren Nutzung verbilligen.
Dieser Kreislauf beschleunigt sich allerdings nicht automatisch, denn ein Modellentwurf führt weiterhin erst über Spezifikation, fachliche Auswahl, EDA-Prüfungen, Verifikation und Fertigung zu einem einsetzbaren Chip. Verändert wird vor allem die Arbeitsteilung: KI rückt vom allgemeinen Programmierwerkzeug näher an die Mikroarchitektur heran, ohne die übrige Entwicklungskette zu ersetzen. Ob eine modellgestützte Änderung Bestand hat, klärt sich deshalb nicht im Modell allein, sondern in den Prüfwerkzeugen und schließlich im gefertigten Silizium.
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
ad-hoc-news.de – OpenAI und AMD: KI optimiert Flaggschiff-GPUs um bis zu 14 Prozent
Der Artikel erläutert die SystemVerilog-RTL-Optimierungen, die gemeldeten PPA-Verbesserungen und die Übernahme einzelner Änderungen in AMD-Entwürfe.
https://www.ad-hoc-news.de/wissenschaft/openai-und-amd-ki-optimiert-flaggschiff-gpus-um-bis-zu-14-prozent/70532699
Tokenstrom – KI als Chipdesigner: OpenAI-Modelle holen bis zu 14 % mehr aus AMD-GPUs heraus
Die Vertiefung beschreibt die modellgestützten Flächenreduktionen in Jalapeños Recheneinheiten, den neunmonatigen Weg zum Tape-out und die Bestätigung im Silizium.
https://tokenstrom.de/posts/ki-als-chipdesigner-openai-modelle-holen-bis-zu-14-mehr-aus-amd-gpus-h/
Igor’sLAB – OpenAI und Synopsys entwickeln GPT-Synopsys für EDA
Die fachliche Einordnung erklärt die geplante Rückkopplung zwischen KI-Modell und EDA-Werkzeugen für PPA, Timing und Verifikation sowie die unverzichtbare Sign-off-Prüfung.
https://www.igorslab.de/openai-und-synopsys-entwickeln-gpt-synopsys-ki-modell-soll-eda-werkzeuge-direkt-fuer-chipdesign-nutzen/



