Проектирование современных микросхем — одна из самых сложных инженерных задач. От первоначального описания логики до готового к производству кристалла проходят месяцы или даже годы работы, а в процессе приходится учитывать десятки взаимосвязанных параметров: производительность, энергопотребление, площадь кристалла, тепловыделение, задержки сигналов и надежность.
Теперь часть этой работы хотят передать искусственному интеллекту. OpenAI и компания Synopsys, один из крупнейших разработчиков программного обеспечения для проектирования полупроводников, заключили многолетнее соглашение о совместной разработке специализированной модели GPT-Synopsys. Она будет не просто давать инженерам советы, а непосредственно работать с профессиональными инструментами автоматизации проектирования микросхем — EDA (Electronic Design Automation).
Идея заключается в том, чтобы ИИ мог самостоятельно выполнять длинные цепочки инженерных операций: запускать необходимые программы, анализировать результаты, вносить изменения в конструкцию микросхемы и снова проверять ее. Получается своеобразный замкнутый цикл: спроектировать → проверить → найти проблему → изменить → проверить снова.
Что такое GPT-Synopsys
Обычная языковая модель может генерировать код или отвечать на вопросы инженера, но этого недостаточно для полноценного проектирования чипов. Современная микросхема состоит из огромного количества элементов, а ее разработка требует специализированных инструментов, которые моделируют электрические и физические процессы.
Synopsys разрабатывает именно такие EDA-системы. Они используются на разных этапах создания полупроводников: от описания цифровой логики до синтеза, анализа временных характеристик, размещения миллионов и миллиардов элементов и подготовки конструкции к производству.
GPT-Synopsys должна научиться работать с этими инструментами практически как опытный инженер. Модель будет получать от специалиста конкретную цель — например, уменьшить энергопотребление или площадь кристалла при сохранении требуемой производительности. Затем ИИ сможет самостоятельно запускать соответствующие EDA-инструменты, интерпретировать их результаты и предлагать изменения.
Это существенно отличается от простого подключения чат-бота к инженерной программе. Модель хотят обучить понимать сам процесс проектирования и пользоваться инструментами на уровне специализированного пользователя.
Как ИИ будет проектировать микросхемы
Предположим, инженер ставит задачу: получить более производительный чип, не увеличивая энергопотребление и площадь кристалла.
В мире микроэлектроники эти три параметра часто обозначают аббревиатурой PPA — Power, Performance, Area, то есть энергопотребление, производительность и площадь.
Изменение одного показателя может ухудшить другой. Например, попытка повысить производительность способна увеличить энергопотребление, а уменьшение площади — создать проблемы с тепловыделением или задержками сигналов.
GPT-Synopsys должна самостоятельно искать компромисс между этими параметрами. Агент запускает нужные инструменты, получает результаты моделирования, анализирует их и вносит изменения. Затем расчеты повторяются.
Если новая версия конструкции оказалась хуже, система может вернуться к предыдущему варианту или попробовать другой подход. Если параметры улучшились, поиск продолжается с уже оптимизированной версией.
По сути, ИИ превращается в автоматизированного участника инженерного цикла, способного проводить большое количество последовательных экспериментов.
Почему обычной языковой модели недостаточно
Проектирование чипа — это не только программирование. На последних этапах необходимо убедиться, что физическая реализация конструкции действительно будет работать после изготовления.
Языковая модель может предложить изменение в описании схемы, однако она не способна одним лишь рассуждением доказать, что миллиард транзисторов на кремниевом кристалле будет функционировать правильно.
Поэтому GPT-Synopsys не должна заменить традиционные методы проверки. Напротив, результаты работы ИИ будут повторно проверяться обычными вычислительными инструментами Synopsys.
Генеральный директор Synopsys Сассин Гази (Sassine Ghazi) подчеркнул, что такая проверка необходима для получения максимально достоверного результата — так называемого sign-off, финального подтверждения того, что конструкция соответствует требованиям и готова к производству.
Это важная деталь всей концепции. ИИ может предлагать варианты и быстро перебирать их, но окончательная проверка физической корректности остается за специализированными алгоритмами.
От идеи до кремния
Современный процесс разработки чипа начинается с его функционального описания. Инженеры определяют, что именно должна делать будущая микросхема, после чего описывают ее архитектуру и логику с помощью специализированных языков.
Затем EDA-инструменты превращают это описание в конкретную структуру цифровых схем. Следующие этапы связаны с размещением элементов, соединением их между собой, анализом временных характеристик и проверкой того, что физическая реализация соответствует заданным требованиям.
Наиболее трудоемкой частью становится поиск оптимального варианта. Практически всегда приходится выбирать между несколькими конкурирующими характеристиками.
Именно здесь автоматизированный агент потенциально может оказаться особенно полезным. Вместо того чтобы вручную запускать один инструмент за другим и анализировать результаты каждого этапа, инженер сможет сформулировать конечную цель, а ИИ будет самостоятельно проходить значительную часть цепочки.
По словам Грега Брокмана (Greg Brockman), президента и сооснователя OpenAI, такой подход должен помочь инженерам исследовать больше вариантов конструкции и быстрее получать работающий чип.
ИИ уже помогает OpenAI создавать собственные чипы
Для OpenAI это направление не является совершенно новым. Ранее в 2026 году компания представила собственный ускоритель инференса Jalapeño, разработанный совместно с Broadcom.
По данным Interesting Engineering, от начала проектирования до передачи конструкции в производство — этапа, известного как tape-out, — у этого чипа прошло около девяти месяцев. Модели OpenAI использовались для ускорения отдельных этапов проектирования и оптимизации.
Теперь компания хочет масштабировать подобный подход, объединив свои модели с профессиональными EDA-инструментами Synopsys.
Для OpenAI здесь есть и очевидная практическая мотивация: развитие искусственного интеллекта требует все более мощных вычислительных систем, а значит, нужны новые поколения специализированных процессоров. Чем быстрее можно проектировать такие чипы, тем быстрее потенциально можно обновлять аппаратную базу для ИИ.
ИИ не будет работать полностью без контроля
Несмотря на впечатляющее описание будущей системы, речь пока не идет о полностью автономном конструкторе микросхем.
Инженеры будут задавать цели и контролировать результаты, а итоговые конструкции должны проходить стандартные процедуры проверки. Сам GPT-Synopsys будет работать на инфраструктуре OpenAI и интегрироваться с Synopsys.ai и платформой Synopsys Autopilot. Компании также хотят обеспечить совместимость с уже существующими агентными системами заказчиков. Первые технологические проекты с производителями полупроводников уже начались, хотя их названия пока не раскрываются.
Есть и еще один важный вопрос — конфиденциальность. Проектирование нового процессора связано с крайне чувствительной интеллектуальной собственностью. Synopsys заявляет, что данные конкретных заказчиков не будут использоваться для обучения модели. Информация должна шифроваться как при хранении, так и при передаче, а компании смогут самостоятельно настраивать сроки хранения, права доступа и аудит.
Что даст автоматизация проектирования
Главное преимущество такого подхода — возможность резко увеличить число вариантов, которые инженерная команда способна проверить.
Человек может потратить значительное время на формулировку и проверку одного варианта конструкции. ИИ-агент способен выполнять множество подобных операций последовательно и без пауз, каждый раз используя результаты предыдущего эксперимента.
Если система действительно научится эффективно работать с EDA-инструментами, разработчики смогут быстрее искать оптимальные решения для сложных процессоров, ускорителей искусственного интеллекта и других специализированных микросхем.
Synopsys уже развивает собственные агентные инструменты для автоматизации инженерных процессов. Компания заявляла, что в некоторых развертываниях ее технологии обеспечивали до 50-кратного ускорения закрытия задач верификации, на 20% повышали покрытие проверками и давали прирост производительности инженеров на 30%. Это показатели самой Synopsys для отдельных внедрений, а не независимая оценка GPT-Synopsys.
Новый этап в автоматизации создания чипов
Партнерство OpenAI и Synopsys отражает более широкий сдвиг в микроэлектронике. До недавнего времени искусственный интеллект в основном помогал инженерам выполнять отдельные операции. Теперь компании пытаются создать системы, которые способны самостоятельно проходить длинные цепочки взаимосвязанных задач.
Разница принципиальная. Одно дело — попросить ИИ написать небольшой фрагмент кода для описания схемы. Совсем другое — поручить ему добиться определенных характеристик готового кристалла, позволить самостоятельно запускать инженерные инструменты, анализировать результаты и многократно переделывать конструкцию.
Именно такой подход OpenAI и Synopsys хотят реализовать в GPT-Synopsys. Компании заключили многолетнее соглашение, предусматривающее совместные исследования, разработку и продвижение технологии, а также модель разделения выручки. OpenAI будет лицензировать EDA-инструменты Synopsys для обучения и разработки специализированной системы.
При этом сама технология еще находится на стадии разработки. Поэтому вопрос сегодня заключается не в том, сможет ли ИИ однажды полностью заменить инженера по проектированию микросхем, а в другом: насколько большую часть сложной и рутинной работы удастся передать специализированным агентам.
Если GPT-Synopsys оправдает ожидания, проектирование чипов может постепенно превратиться из последовательной ручной работы с десятками программ в более автоматизированный процесс, где инженер задает цели, а ИИ самостоятельно исследует пространство возможных решений. Но последний рубеж — проверка того, что созданный дизайн действительно будет работать в физическом мире, — по-прежнему останется за строгими инженерными расчетами и верификацией.
