2026年11月18日、OpenAIは公式ブログにてチップ設計に関する成果を公表した。同社のモデルが回路構造を記述するSystemVerilogコードを自動的に書き換えることで、AMDのフラッグシップGPU IPにおける消費電力・性能・面積の3項目総合指標(PPA)を最大14%向上させたというものだ。OpenAIによれば、この成果は通常約1年を要する最適化作業を5か月未満で達成したに相当し、モデルが生成した変更の一部はAMDにより製造向け最新チップ設計に採用され、別の変更は将来バージョンの量産設計文書に組み込まれたという。
具体的な数字が意味するもの
PPAはチップ設計業界における中核的な最適化目標であり、3つの指標を同時に改善することは極めて困難だ。通常、消費電力を下げれば性能が犠牲になり、面積を縮小すれば動作周波数の上限が上がる可能性がある。OpenAIが主張する14%は総合改善の上限値であり、公式ブログでは消費電力・速度・面積それぞれの寄与度は個別に示されていない。
この数字は業界では際立って高い。現代のトップクラスGPU設計はテープアウト前に複数回の深い最適化を経ており、いわゆる「大幅最適化済みベースライン」にはさらなる改善余地がほとんど残っていない。その基盤の上で2桁台のPPA改善を実現したことは、手法がどうあれ真剣に受け止めるべき成果だ。
国連AI研究サイトunite.aiの技術レポートはより細かな数値を明らかにしている。行列ユニット(matrix unit)において、モデルが再設計した乗算器は標準セル面積を15%削減しただけでなく、遅延を2クロックサイクルから1クロックサイクルに短縮した。加算器の設計も同様に15%の面積削減を達成しつつ、2サイクルの遅延を維持した。これらの具体的な変更は、モデルによる最適化が漠然とした全体的な「圧縮」ではなく、特定の機能モジュールに対する構造的な再設計であることを示している。
Jalapeño:OpenAI自社開発推論チップへのAI関与の経緯
AMDのGPU関連の成果に加え、OpenAIの公式ブログは同社初の自社開発推論チップ「Jalapeño」の設計詳細も公表した。モデルが提案した変更により、ベクトルユニット(vector unit)で標準セル面積が約13%、行列ユニットで約10%削減された。
報道によれば、Jalapeñoは初期設計からテープアウトまでわずか9か月で完了しており、AIによる支援がスケジュール短縮の重要な要因の一つだったという。OpenAIは当初GPT-4oをJalapeñoの設計作業に活用しており、このチップのライフサイクル全体がGPT-4oからGPT-6シリーズへのモデル世代交代にまたがることになる。
これは定量化可能な正のフィードバックループを形成している。AI推論チップの設計効率の一部は、前世代のAIハードウェア上で訓練されたAIモデルによってもたらされているのだ。
RISC-Vベンチマーク:9881回の評価実行が示すモデル世代間の差異
異なるモデルのチップ設計能力を評価するため、OpenAIは2つのオープンソースRISC-Vプロセッサコア(PicoRV32およびIbex)上でシステマティックなテストを実施し、合計9881回の評価実行を記録した。テストはRTL最適化(既存回路コードの改善)と仕様書からのRTL生成(設計意図から回路記述を直接生成)の2種類のタスクに分かれる。
約112,000トークンの予算制約の下、GPT-6.2 Astraは両タスクで最高平均スコアを記録した。PicoRV32のRTL最適化タスクでは、GPT-6.2 AstraのスコアはGPT-6 Astraの約2倍に達した。仕様書からRTLを生成するタスクでは、GPT-6.2 AstraはPicoRV32で平均0.7超、Ibexで約0.75のスコアを記録した。
OpenAIはブログ内で重要な制限事項を自ら認めている。仕様書から生成されたRTLは、元のコアに存在する一部の機能(パフォーマンスカウンターや追加命令セットなど)を欠落する可能性があるため、仕様書タスクのスコアを量産設計の品質と直接同一視することはできないとしている。
Synopsysとの協業:EDAツールチェーンの中核を直接狙う
OpenAIはさらに、チップ設計ツール大手Synopsysとの協業も明らかにした。両社は「GPT-Synopsys」という名のモデルを共同で訓練しており、AIがベテランのチップエンジニアのようにEDA(電子設計自動化)ツールを操作できるようにすることを目標としている。この複数年にわたる協業は2026年9月30日に正式に発表された。
EDAツールはチップ設計における「コンパイラ」であり、エンジニアの設計意図を製造可能な物理レイアウトに変換する。Synopsysは世界のEDA市場の絶対的なリーダーであり、そのツールチェーンはほぼすべての主要チップの設計プロセスに組み込まれている。GPT-Synopsysがこのツールチェーンを効果的に操作できるようになれば、AI支援設計のカバー範囲は「既存回路コードの最適化」から「設計から製造までの全工程への端から端までの関与」へと拡大する。
共同訓練におけるデータセキュリティの問題も明確に言及されており、OpenAIとSynopsysはブログ内で「顧客の設計データはモデルの訓練に使用されない」と声明し、暗号化保護および設定可能な権限・監査・保持管理の仕組みを備えると説明している。
利害関係:OpenAIはAMDの潜在的株式の約10%を保有
14%という数字を評価する際、商業的な背景を無視することはできない。
CNBCなど複数メディアの2025年10月の報道によれば、OpenAIとAMDは複数年にわたるチップ供給契約を締結している。OpenAIは合計6ギガワット(GW)のAMD GPU算力の導入を約束し、AMDはOpenAIに対し1株あたりわずか0.01ドルという行使価格でAMD株を最大1億6000万株購入できるワラントを付与した。OpenAIがすべて行使すれば、AMDの約10%の株式を取得することになり、行使のマイルストーンは導入規模とAMD株価の目標値(最大1株600ドル)に連動している。
つまりOpenAIは、AMDの株価上昇に対して直接的な財務的利益を持っている。そして「AIがAMDのチップ設計効率を大幅に改善した」という発表は、AMDの株価に潜在的なプラスの影響をもたらす可能性がある。AMDが一部の変更を実際の製造版に採用したことは、外部からの検証を提供している。
OpenAIの公式ブログによるこの発表には、AMDからの直接的な声明や支持表明は含まれていない。AMDは2026年7月に「両社がAIを実行するシステムをAIがいかに改善できるかを共同研究している」と述べたが、11月18日の具体的なデータについてAMDは独自のコメントを発表していない。
この件が産業に与える意味
過去数年間、AI支援チップ設計の議論はツールレベルにとどまっていた。AIが検証を助け、デバッグを助け、テストケースの生成を助けるというものだ。真に状況を変えるのは、AIがテープアウト可能なRTLコードを直接生成できるかどうかだ。それは設計意図が物理回路に変換される最も基盤的な言語であり、チップエンジニアリングにおいて技術的障壁が最も高い領域の一つでもある。
OpenAIが今回明らかにしたのは、モデルが生成したSystemVerilogの変更がAMDのテープアウト版に組み込まれたということだ。この境界を越えたことは、いかなるベンチマークスコアよりも実質的な意味を持つ。
産業構造の観点から見れば、この方向性が確立された場合に最も直接的な打撃を受けるのは、AMDやNVIDIAのようなチップ設計企業ではない。彼らはむしろこの技術の受益者だ。影響を受けるのは、従来のEDAプロセスにおいて多くの人手に依存していた最適化工程と、「より優れたパラメーターを導き出せる」ことを中核的競争力としている中堅チップ設計サービス企業だ。
OpenAI自身の戦略的論理から見れば、これは多方面で勝利をもたらす一手だ。Jalapeñoの設計効率向上は自社開発チップのコストを直接削減し、AMDとの協業で生まれたPPA改善はOpenAIに財務的リターンをもたらし(AMD株の価値上昇経路を通じて)、Synopsysとの協業はこの能力を業界全体に広める道を開く。各段階の進歩は次世代モデルとチップの設計にフィードバックされる。
独立した判断
この発表が一般的なAI能力に関するプロモーションより信頼性が高いと言える理由は三つある。数字が十分に具体的であること(行列ユニットの乗算器の面積と遅延まで細分化されている)、外部からの検証があること(変更がAMDの製造版に採用された)、そしてOpenAIが方法論上の限界を自ら開示していること(仕様書生成タスクでは機能が欠落する可能性がある)だ。
しかし本当の問題は「数字が正確かどうか」ではなく、「この道はどこまで続くか」だ。5か月で1年分の最適化を達成できたのは、既存ベースラインの最適化余地が人間によって見落とされていたからなのか、それともAIが人間の設計者の認知の盲点の外にある解空間を系統的に探索しているからなのか。後者であれば、このスピードの優位性はAIの関与が深まるにつれてさらに加速し、平均への回帰は起きないだろう。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接