40 цагийн дотор 0.31%-иас 88.9% хүртэл: OpenAI өөрийн LLM-ээр чип бүтээж, кернелийг нь бичүүлжээ

Хагас дамжуулагчийн салбарт шинэ чип зохион бүтээж, үйлдвэрээс эхний бэлэн хувилбарыг (silicon) авч, түүнд тохирох доод түвшний программ хангамж, кернелийг бичиж дуусгах нь уламжлал ёсоор олон зуун инженерийн 3-аас 5 жилийн нүсэр хөдөлмөр шаарддаг билээ.

Гэтэл IEEE Spectrum болон Hot Chips бага хурлаас гарсан сүүлийн үеийн мэдээллээр OpenAI өөрийн анхны хиймэл оюуны инференс чип болох Jalapeño ASIC-ийг бүтээхдээ уламжлалт хөгжүүлэлтийн циклийг бүрмөсөн өөрчилснөө дэлгэлээ. 100 хүрэхгүй хүнтэй цомхон баг ердөө 9 сарын дотор чипийн RTL-ээс Tapeout хүртэлх шатыг давж чадсан байна. Үүний нууц нь чипийн логик архитектур болон бага түвшний кернел кодоо тэд өөрсдийн хөгжүүлсэн LLM-ээр бичүүлсэнд байв.

Уламжлалт Verilog-оос татгалзаж, Программист шиг чип бичих нь

Хардвер инженерүүдийн хувьд чипийн логикийг Verilog эсвэл VHDL зэрэг доод түвшний RTL (Register Transfer Level) хэл дээр гараар бичих нь стандарт практик юм. Гэвч эдгээр хэлүүд нь хийсвэрлэл багатай тул LLM моделиуд алдаагүй логик гаргахад маш хүндрэлтэй байдаг.

OpenAI үүнийг шийдэхийн тулд Google-ийн анх нээлттэй эх болгож гаргасан XLS (Accelerated HW Synthesis) хэрэгслийг сонгожээ. XLS нь инженерүүдэд Rust хэлнээс санаа авсан DSLX болон C++ хэлээр өндөр түвшний код бичих боломжийг олгож, түүнийг нь цаанаа Verilog руу хөрвүүлдэг.

OpenAI-ийн Техникийн багийн гишүүн Крис Лирийн (Chris Leary) тайлбарласнаар, энэ нь LLM-ийн хувьд яг л энгийн программ бичиж байгаа мэт танил орчин болсон байна. AI агент нь кодоо бичиж, түүнийг XLS-ээр дамжуулан PPA (Power, Performance, Area)-г хэмжиж, гарсан үр дүндээ тулгуурлан кодоо дахин оновчлох "Generate → Verify → Measure" бүтэн автомат циклиэр ажиллажээ.

Үр дүнд нь:

• BF16 Multiplier блок дээр хүний гараар оновчилсон суурь үзүүлэлтээс 56% өндөр үр ашиг гаргаж авсан.
• FP32 Accumulator логикийг 21% сайжруулсан.
• RTL freeze хийх хамгийн сүүлийн өдөр хүртэл AI моделиуд гол блокуудыг сайжруулсаар байжээ.

40 цагийн дотор 0.31%-иас 88.94% хүрсэн гайхамшиг

Хагас дамжуулагчийн хамгийн хүнд сорилт бол чип үйлдвэрээс ирсний дараа эхэлдэг "Bring-up" үе шат юм. Шинэ төмөр (silicon) дээр үйлдлийн систем, драйвер болон машин сургалтын математик үйлдлүүдийг ажиллуулах кернел бичихэд сар гаруй хугацаа ордог бөгөөд ихэнх тохиолдолд эхний хувилбарууд нь чипийн онолын дээд хурдны маш бага хувийг л ашиглаж чаддаг.

Энэ оны тавдугаар сард анхны чипүүд лабораторид ирэхэд OpenAI өөрийн дотоод LLM агентуудыг кернел бичих ажилд шууд дайчилжээ.

Туршилтаар тэд одоогоор инференсийн салбарт хамгийн өргөн хэрэглэгдэж буй DeepSeek-ийн Multi-Head Latent Attention (MLA) бенчмаркийг ажиллуулав.

• Анхны түүхий кодоор уг кернел нь Jalapeño чипийн санах ойн зурвасын өргөн болон тооцоолох онолын хязгаарын дөнгөж 0.31%-ийг ашиглаж байв.
• AI агентууд санах ойн хуваарилалт (tiling), prefetching болон ассемблер түвшний оновчлолуудыг бие даан хийснээр ердөө 40 цагийн дотор уг үзүүлэлтийг 88.94% хүртэл өсгөж чаджээ.

OpenAI-ийн Хардвер хариуцсан дэд ерөнхийлөгч Ричард Хо (Richard Ho): "Энэ бол нэг удаагийн аз биш, давтагдах боломжтой процесс. Бид үйлдвэрээс чип ирэх болон түүнийг бодит серверт суурилуулах хоорондын бүх хуваариа энэхүү чадамжид суурилж дахин тооцоолж байна" хэмээн онцолсон байна.

Программ хангамжийн хөгжүүлэгчдэд энэ ямар хамаатай вэ?

Jalapeño чип өөрөө 700 ваттын чадалд 13.4 PFLOP/s (FP4) тооцоолол хийж, NVIDIA-ийн GB300-аас хүлээлтийн хугацааг (latency) 3.6 дахин бууруулж чадсан нь техник хангамжийн том дэвшил мөн. Гэхдээ программистуудын хувьд үүнээс ч том сэдэв бол Hardware-Software Co-Design-ийн шинэ парадигм юм.

1. Доод түвшний кодчилолыг AI-д даатгах нь: Хэдийгээр C++, Rust, эсвэл CUDA кернел бичих нь нарийн төвөгтэй ч, зорилтот хэмжүүр нь тодорхой (жишээ нь latency багасгах, FLOPS нэмэх) үед AI агентууд хүний инженерийн хэдэн долоо хоногийн турш турших байсан хэдэн мянган оновчлолын хувилбарыг хэдхэн цагийн дотор шалгаж чадаж байна.
2. High-Level Synthesis-ийн хүч: Компьютерийн ухааны нарийн түвшнийг өндөр түвшний хэл рүү шилжүүлснээр хөгжүүлэгчид архитектур болон алгоритм дээрээ анхаарч, логик нийлэгжүүлэлтийг хэрэгслүүдэд даатгах боломж нээгдлээ.

OpenAI-ийн энэхүү туршлага нь AI зөвхөн веб аппликейшн, скрипт бичих төдийгүй хамгийн доод түвшний микросхем, ассемблер түвшний кернел кодчилолыг хэрхэн сууриар нь өөрчилж эхэлснийг харуулсан тод жишээ боллоо.

Эх сурвалж: IEEE Spectrum, Hot Chips 2026 Proceedings