Le 18 novembre, OpenAI a détaillé dans un billet de blog officiel la participation de ses propres modèles à la conception de puces : GPT-4o aide depuis début 2025 à concevoir Jalapeño, la première puce d'inférence maison de l'entreprise, et les modifications proposées par les modèles ont réduit la surface des cellules standard d'environ 13 % dans l'unité vectorielle et de 10 % dans l'unité matricielle — déjà vérifié sur silicium. La même méthode a aussi été appliquée aux lignes de production d'AMD, avec jusqu'à 14 % d'amélioration PPA (puissance, performance, surface) sur l'IP GPU phare par rapport à des références déjà fortement optimisées. Cette fois, OpenAI parle en chiffres concrets au niveau du circuit, et non en concepts.
Les deux améliorations clés de Jalapeño se situent dans les cœurs de calcul. Dans l'unité vectorielle, les modèles sont partis des additionneurs et multiplieurs à virgule flottante, des fonctions de conversion et de la logique de réduction, en testant différentes implémentations logiques et répartitions de pipeline pour trouver des occasions de partager le matériel et de réduire le stockage intermédiaire. Dans l'unité matricielle, une refonte de multiplieur a réduit la surface synthétisée d'environ 15 % tout en faisant passer la latence de deux cycles d'horloge à un seul, et une refonte d'additionneur a réduit la surface d'environ 15 % en conservant sa latence de deux cycles. Additionnées, ces modifications représentent un gain de surface à deux chiffres — le tout vérifié sur du vrai silicium, et non des chiffres sur papier issus de simulation.
La collaboration avec AMD va plus loin. Les modèles d'OpenAI réécrivent directement le code SystemVerilog qui décrit les circuits ; AMD a intégré une partie de ces modifications dans un design récemment envoyé en fabrication et ajouté les autres aux fichiers de conception de production pour les versions futures. Sur des blocs clés du prochain CPU phare d'AMD, les designs écrits par les modèles ont également apporté des gains PPA à un chiffre. Selon OpenAI, cela équivaut à environ un an de progrès réalisé en moins de cinq mois. La même méthode d'évaluation a aussi été appliquée aux cœurs open source RISC-V PicoRV32 et Ibex : avec un budget d'environ 112 000 tokens par exécution, GPT-6.2 Astra a obtenu le score moyen le plus élevé sur les deux cœurs, soit environ le double de celui de GPT-6 Astra sur PicoRV32.
Deux choses sont à surveiller ensuite. D'abord le partenariat d'OpenAI avec Synopsys : les deux entreprises prévoient d'entraîner conjointement un modèle appelé GPT-Synopsys, qui utilisera les outils EDA de Synopsys comme le ferait un concepteur de puces chevronné — c'est ce qui décidera si la conception de puces par les modèles devient un processus de routine plutôt qu'un cas isolé. Ensuite, les limites de l'évaluation elle-même : en concevant un cœur à partir d'exigences écrites, les modèles peuvent omettre des fonctionnalités comme les compteurs de performance, qui contribuent peu au débit, ce qui gonfle les scores, et l'évaluation n'a ni resserré les limites de surface ni vérifié le timing après la synthèse physique — elle reste donc éloignée des standards de production. Que les modèles puissent modifier des puces est désormais un fait ; il reste à prouver qu'ils peuvent le faire de manière fiable, et du premier coup.