Am 18. November 2026 legte OpenAI in einem offiziellen Blogbeitrag offen, wie seine Modelle inzwischen beim Chipentwurf mitwirken: Bei Jalapeño, dem ersten eigenen Inferenzchip des Unternehmens, senkten von Modellen vorgeschlagene Änderungen die Standardzellenfläche im Vektormodul um etwa 13 % und im Matrixmodul um etwa 10 % – und die Optimierungen wurden im Silizium nachgewiesen. Das ist kein Benchmark auf dem Papier; die Modelländerungen stecken in einem tatsächlich gefertigten Chip.
Woher die eingesparte Fläche bei Jalapeño kommt
Jalapeño ist OpenAIs erster eigener Inferenzchip, und Modelle wirken seit Anfang 2025 an seinem Entwurf mit – damals noch GPT-4o. OpenAI schlüsselte auf, wo genau Fläche eingespart wurde: Im Vektormodul wurden Gleitkomma-Addierer und -Multiplizierer, Konvertierungsfunktionen und Reduktionslogik überarbeitet; das Modell probierte alternative Logikimplementierungen und Pipeline-Aufteilungen aus, damit Hardware gemeinsam genutzt und weniger Zwischenergebnisse gespeichert werden. Im Matrixmodul brauchte ein neu entworfener Multiplizierer in der Synthese etwa 15 % weniger Zellfläche und halbierte die Latenz von zwei auf einen Taktzyklus, während ein separat neu entworfener Addierer ebenfalls etwa 15 % Fläche sparte, bei unveränderter Latenz. Zusammen ergeben sich daraus die 13 % und die 10 %.
AMDs Fertigung: fast ein Jahr Fortschritt in unter fünf Monaten
Über den eigenen Chip hinaus wandte OpenAI denselben Ansatz auf AMDs Flaggschiff-GPU an. Das Modell schrieb SystemVerilog-RTL neu, der die Schaltungen beschreibt, und holte gegenüber einer bereits stark optimierten Basis bis zu 14 % bei der kombinierten Leistung aus Stromverbrauch, Performance und Fläche heraus – nach OpenAIs Worten etwa ein Jahr Fortschritt in weniger als fünf Monaten. AMD hat einen Teil der Änderungen bereits in ein Design übernommen, das in die Fertigung geht, und den Rest in Produktionsdateien für künftige Versionen aufgenommen. Auch bei Schlüsselblöcken der kommenden Flaggschiff-CPU erzielten vom Modell geschriebene Entwürfe einstellige prozentuale Verbesserungen.
Bemerkenswert ist nicht eine einzelne Prozentzahl, sondern die Verifikation: Jede Neufassung musste Synopsys-EDA-Werkzeuge passieren, um zu belegen, dass das Verhalten unverändert blieb, bevor Stromverbrauch, Leistung und Fläche gegeneinander abgewogen wurden. Das Modell skizziert keine Schaltungen auf dem Papier, sondern schließt den Kreis an echten Produktionsentwürfen mit dem vorhandenen Werkzeugkasten der Branche. OpenAI veröffentlichte auch generationenübergreifende Bewertungen: Auf zwei quelloffenen 32-Bit-RISC-V-Kernen, PicoRV32 und Ibex, erzielte GPT-6.2 Astra bei einem Budget von rund 112.000 Token pro Lauf in beiden Aufgaben die höchsten Werte, und GPT-6.1 Sol übertraf GPT-5.6 Sol ebenfalls in beiden – ein Beleg dafür, dass die Fähigkeit zum Chipentwurf mit jeder Modellgeneration tatsächlich wächst.
Zwei Fragen stehen als Nächstes an: ob GPT-Synopsys, das Modell, das OpenAI gemeinsam mit Synopsys trainiert, diese Fähigkeit zum alltäglichen Werkzeug von Chipingenieuren macht, und ob Messdaten von AMDs GPU- und CPU-Generation der nächsten Generation diese Prozentzahlen bestätigen. Auch wer keine Chips kauft, muss nicht auf den Verkaufsstart warten – sobald KI die Kosten des Chipentwurfs senkt, sinkt auch die Hürde für maßgeschneiderte Chips.