OpenAIのモデルが、AMDのフラッグシップGPUの回路設計を書き換え、最大14%のPPA改善を達成した——。2026年11月18日にOpenAIが公表した研究成果は、AIが半導体設計の実務に入り込んだことを示すものなんですよね。
室谷 代表取締役 OpenAIのモデルがAMDのフラッグシップGPU設計で最大14%のPPA改善を達成した、という発表です。PPAはPower(電力)・Performance(性能)・Area(面積)の頭文字で、チップ設計の最適化指標ですね。 しかもAMDの技術者が何年もかけて最適化してきた設計が起点で、そこから5ヶ月未満での改善という……これはかなり重い話です。
テキトー教師 DotAI 認定講師 単に「AIがチップを作った」という話じゃないんですよ。ポイントは3つあって、AMDのGPU設計での改善、OpenAI初の自社推論チップ「Jalapeño(ハラペーニョ)」での実シリコン検証、そしてSynopsysとの提携によるGPT-Synopsysの共同開発です。 整理するとこうです。
AMDのフラッグシップGPU IPで最大14%のPPA改善(5ヶ月未満、AMD技術者が長年最適化したベースラインが起点)
Jalapeñoの計算ブロックで面積削減(ベクタユニット約13%、マトリクスユニット約10%)を実シリコンで検証
RISC-Vコアの最適化・仕様からの設計タスクでモデル世代間の能力向上を評価
Synopsysと提携し、専門モデル「GPT-Synopsys」の共同開発を進行
室谷 代表取締役 これ、OpenAIの公式X投稿でも「AMDのエンジニアが何年も最適化してきた設計の上での改善」と明言されているんですよね。ベースラインが「高度に最適化済み」であることが重要で、ゼロから作った粗い設計を良くした話ではないと。
テキトー教師 DotAI 認定講師 そこは講座でも必ず突っ込むところです。受講生さんが「14%ってすごいの?」と聞くんですが、最適化済みの設計で1桁台の改善でも大変なのに、14%というのは相当な数字です。 OpenAIは「約1年分の進歩を5ヶ月未満で達成した」と表現していて、これはフロンティア領域では前例のない結果だと主張しています。
OpenAIモデルによるチップ設計最適化のワークフロー
1 RTL(SystemVerilog)を書き換え
計算を行う回路・制御動作・データ移動をモデルが書き換える
2 Synopsysツールで検証
各書き換えがブロックの振る舞いを保っているかを検証
3 電力・性能・面積のトレードオフを評価
検証済みの書き換えをPPAの観点で評価する
室谷 代表取締役 まず前提を整理すると、チップの回路動作はRTL(SystemVerilog)というコードで記述されるんですよね。OpenAIのモデルはこのRTLを書き換えて、回路を改善したと。 モデルが「エキスパートのマイクロアーキテクトのレベルでRTLを推論している」と観察された、と公式ページにあります。
テキトー教師 DotAI 認定講師 具体的にモデルができるとされたのは、計算を行う回路、制御動作、データ移動の書き換えです。そしてSynopsysのツールを使って、各書き換えがブロックの振る舞いを保っているかを検証し、電力・性能・面積のトレードオフを評価したと。 ここが「生成して終わり」ではないところで、単にコードを書く話じゃないんですよ。
室谷 代表取締役 検証まで含めてワークフローに入っているのが実務的ですよね。MYUUUでも開発の現場でAIにコードを書かせることは日常になりましたけど、チップ設計は「壊れたら終わり」の世界なので、検証ツールとセットで回せるかが分水嶺になります。
テキトー教師 DotAI 認定講師 発表の全体像としては、AMDのGPU、AMDの次世代フラッグシップCPU、Jalapeño、そしてオープンソースのRISC-Vコアでの評価、さらにSynopsys提携まで含む一本のストーリーになっています。OpenAIはこれを「AIを動かすチップそのものを、AIで良くする」という構図で見せているわけです。
まとめ
「最大14%のPPA改善」の読み解きポイント
OpenAIの表現は「フラッグシップGPU IPに対して、高度に最適化されたベースライン比で最大14%のPPA改善」 PPAは電力・性能・面積の3指標だが、14%が3指標すべてで一律に改善した意味ではない ソースには「最大14%」としか書かれておらず、どの指標でどれだけ改善したかの内訳は現時点では非公開 AMDは直近の製造向け設計に一部の変更をすでに含めており、他の変更は将来バージョン向けの量産設計ファイルに追加 次世代フラッグシップCPUの主要ブロックでもOpenAIのモデルが書いた設計で1桁台のPPA改善を検証 あくまで「IP(設計ブロック)単位」の話であり、チップ全体の性能が14%上がったという意味ではない
室谷 代表取締役 ここは数字の定義を丁寧に見たいところです。OpenAIの表現は「フラッグシップGPU IPに対して、高度に最適化されたベースライン比で最大14%のPPA改善」です。 PPAは電力・性能・面積の3指標ですが、14%が3指標すべてで一律に改善したという意味ではないんですよね。
テキトー教師 DotAI 認定講師 その通りで、ソースには「最大14%」としか書かれていません。どの指標でどれだけ、という内訳は現時点では明らかにされていません。 PPAはトレードオフの調整が設計者の主要業務なので、電力と面積と性能のバランスをどう動かしたかは、公表された範囲では判断できない部分です。
室谷 代表取締役 あと見逃せないのが、AMDが「直近の製造向け設計に一部の変更をすでに含めた」と書かれている点です。さらに他の変更は将来バージョン向けの量産設計ファイルに追加したと。 つまり研究のポンチ絵ではなく、製造ラインに乗った変更があるということです。
テキトー教師 DotAI 認定講師 しかもAMDは次世代フラッグシップCPUの主要ブロックでも、OpenAIのモデルが書いた設計を使って1桁台のPPA改善を検証したとしています。GPUだけでなくCPU側にも波及しているのが今回の発表の厚みですね。
室谷 代表取締役 ここで注意したいのは、あくまで「IP(設計ブロック)単位」の話だということです。チップ全体の性能が14%上がったという表現ではないので、そこは読み違えないほうがいいですよね。
Jalapeño設計でモデルが貢献した改善(ユニット別)
浮動小数点加算器・乗算器を改善 変換関数を改善 リダクション論理を改善 特殊関数ユニットを改善 代替の論理実装とパイプライン段への計算分割を探索 ハードウェア共有で中間ストレージ削減 スタンダードセル面積 約13%削減(チーム推計) 乗算器再設計でセル面積 約15%減 レイテンシ 2クロック→1クロックに短縮 別の加算器再設計でセル面積 約15%減 加算器は2サイクルのレイテンシを維持 セル面積 約10%削減(チーム推計)
室谷 代表取締役 Jalapeñoは、OpenAIが2026年8月に初結果を公表した初の自社推論チップです。今回の発表では、その計算ブロックの設計にモデルが貢献した具体例が出ています。
テキトー教師 DotAI 認定講師 公式ページに書かれている具体例を挙げると、ベクタユニットでは浮動小数点加算器・乗算器、変換関数、リダクション論理、特殊関数ユニットで改善が出ています。モデルは代替の論理実装と、パイプライン段への計算分割の両方を探索して、ハードウェアを共有して中間ストレージを減らす機会を見つけたと。
室谷 代表取締役 マトリクスユニット側はもっと具体的で、乗算器の再設計で合成時のセル面積が約15%減り、レイテンシが2クロックサイクルから1クロックサイクルに短縮されたと。別の加算器の再設計ではセル面積が約15%減り、2サイクルのレイテンシは維持したとあります。
テキトー教師 DotAI 認定講師 チームの推計では、モデルが提案した変更でベクタユニットのスタンダードセル面積が約13%、マトリクスユニットが約10%削減されたと。そして重要なのが「これらの最適化はJalapeñoのシリコンブリングアップ中に実シリコンで証明された」という一文です。 シミュレーション止まりではないんですね。
室谷 代表取締役 これは大きいですよ。実シリコンで検証済みというのは、設計変更が実際に動くチップで確認されたという意味ですから。 Jalapeño自体の性能については OpenAIのJalapeño初回結果 の発表でも触れられていますが、今回はその設計工程にAIが入り込んだという話なんですよね。
テキトー教師 DotAI 認定講師 ちなみにJalapeñoの設計では、2025年初頭からGPT-o3 miniを使い始めたと公式ページにあります。初期のモデルでも自明でないPPA改善を見つけていた、というのが興味深いところです。
室谷 代表取締役 手法の流れを整理すると、モデルにRTLを渡して書き換え案を出させ、Synopsysのツールで振る舞いが保たれているかを検証し、PPAのトレードオフを評価する、というループです。モデルは計算・制御・データ移動の回路を書き換えると。
テキトー教師 DotAI 認定講師 ここで大事なのは、エンジニアが消えたわけではないということです。Synopsysとの提携発表でも、エンジニアが設計目標を委任し、エージェントがツールを動かして結果を解釈し、変更を実装して検証済みの結果に反復的に近づけ、最終的にエンジニアがレビューする、という形が描かれています。
室谷 代表取締役 つまりモデルは「設計者の代替」ではなく「設計者の作業を回す主体」に近いんですよね。MYUUUでも、AIに実装させて人間がレビューする分業が定着してきましたけど、チップ設計でも同じ構造が入ってきたということです。
テキトー教師 DotAI 認定講師 もう一つ、RISC-Vコアの評価も手法理解の助けになります。OpenAIはPicoRV32と、OpenTitanで使われるIbexという2つのオープンソース32ビットRISC-Vコアで、各モデルに元のハードウェア記述を渡してスループット向上を競わせました。 設計はシミュレーションでチェックし、失敗した場合や面積が元の16倍を超えた場合は0点。通過した設計は、モデルに隠したワークロードでIPCを測り、Yosysで推定した最大クロック周波数を掛けて1秒あたり命令数の推定値を出しています。
室谷 代表取締役 評価設計がかなり厳密なんですよね。約112,000トークンの同条件で、GPT-6.2 Astraが両コアで最高平均スコアだったと。 GPT-6.1 SolもGPT-5.6 Solを両コアで上回ったとあります。モデル世代間で能力が上がっていることを示す評価です。
テキトー教師 DotAI 認定講師 さらに「仕様からRISC-Vコアを設計する」タスクでは、約112,000トークンで5モデルすべてが既存設計の改善より高いスコアだったと。ただし公式ページ自身が注記していて、仕様から始めると元のコアにある性能カウンタや追加命令などの機能を省略できる余地があり、それがスコア優位の一部を説明しうると。 面積制限を厳しくし、物理合成後のタイミングを確認すれば、より生産的な設計に近いテストになると認めています。
室谷 代表取締役 この自己批判的な注記は誠実ですよね。評価の限界を自分から書いている。 ここは記事として正確に伝えておきたい部分です。
室谷 代表取締役 読者が一番気にするのは「で、実際に使われたの?」だと思うんですよ。これについては公式ページに明確に書かれています。 AMDは変更の一部を直近の製造向け設計にすでに含め、他の変更は将来バージョン向けの量産設計ファイルに追加した、と。
テキトー教師 DotAI 認定講師 「sent for manufacturing」という表現なので、製造工程に送られた設計に一部が入っている、という事実関係です。チップ全体がその変更で完成した、という書き方ではない点は正確に押さえたいですね。
室谷 代表取締役 検証の実態はどうなっていますか。
テキトー教師 DotAI 認定講師 公式ページによると、モデルはSynopsysのツールを使って、各書き換えがブロックの振る舞いを保っていることを検証し、電力・性能・面積のトレードオフを評価したとされています。Jalapeño側はシリコンブリングアップで実シリコン証明済みです。 ただし、検証にかかったコストや工数、歩留まりへの影響といった詳細は現時点では明らかにされていません。
室谷 代表取締役 品質保証のプロセス全体がAIに置き換わったわけではなく、あくまで検証ツールを使った確認と人間の設計フローの中での採用、という理解が正確ですよね。
室谷 代表取締役 ここが今回の発表のもう一つの柱です。OpenAIはSynopsysと提携して、専門モデル「GPT-Synopsys」を訓練すると発表しました。 SynopsysのEDAツールを、熟練のチップ設計者と同じように使えるようにする狙いです。
テキトー教師 DotAI 認定講師 Synopsysの発表によると、2026年9月30日に複数年の戦略的提携を締結していて、GPT-SynopsysはOpenAIのホスト基盤で動作し、Synopsys.aiとSynopsys Autopilotに深く統合される予定です。顧客固有の設計データは学習に使われず、保存時も転送時も暗号化され、保持期間・監査・権限の設定が可能とされています。 主要な半導体顧客との初期技術検証が進行中です。
室谷 代表取締役 従来のSynopsysのAIといえば、2020年から提供されている強化学習ベースの設計最適化(DSO.aiなど)でした。これは汎用モデルがEDAツールを専門家のように操作して出力を解釈し、反復最適化する段階ではなかったと。 GPT-Synopsysはそのギャップを埋める狙いなんですよね。
テキトー教師 DotAI 認定講師 SynopsysのCEO、Sassine Ghazi氏のコメントも発表に入っていて、「PPAやファーストタイムライトを妥協せずにチップ設計を加速する必要がある」と述べています。OpenAIのGreg Brockman氏は「より良いチップを作ることで、より良いAIを作れる」と。 両社の狙いがはっきり出ています。
室谷 代表取締役 提供形態としては、コンピュート・モデル・ライセンスをバンドルした共同サービスとして提供され、収益分配の枠組みもあると。日本企業が使えるかどうかは、現時点では明らかにされていません。
室谷 代表取締役 じゃあ日本企業はどうなのか。これは期待と制約を分けて話したいんですよね。 まず期待側は、RTL最適化のようなタスクがモデルで回るなら、設計リソースが限られる企業でも探索の幅を広げられる可能性があると。
テキトー教師 DotAI 認定講師 制約側は明確で、今回示されたのはAMDとOpenAIという特殊な条件での結果です。GPT-Synopsysはまだ共同開発中で、主要半導体顧客との初期技術検証の段階です。 日本企業がすぐ自社フローに組み込めるかという再現性や条件は、現時点では明らかにされていません。
室谷 代表取締役 あと見落とせないのが、評価タスクの限界をOpenAI自身が認めている点です。仕様からの設計は機能省略の余地があり、面積制限や物理合成後のタイミング確認まで含めると、より生産的設計に近いテストになると。 つまり現状の評価は本番設計そのものではないんですよね。
テキトー教師 DotAI 認定講師 講座で受講生さんに伝えるときも、この「評価と本番のギャップ」は必ず添えます。AIが設計候補を大量に出すほど、検証コストと信頼性の確認がボトルネックになる。 これはソフトウェア開発でAI生成コードのレビューが重くなるのと同じ構造です。
室谷 代表取締役 ただ、方向性としては無視できないですよ。OpenAIは「モデルが洗練された生産設計の上に純粋に新しい改善を貢献した」と書いています。 JalapeñoとAMDの次世代フラッグシップGPU・CPUという実例付きで。これはAI活用の次のフェーズが、コード生成からハードウェア設計の探索へ広がりつつあるということなんですよね。
テキトー教師 DotAI 認定講師 まとめると、今回の発表は「AIがチップ設計の実務タスクを遂行できることを示した」という段階です。テープアウトに一部反映された事実は重いですが、検証コストや評価の限界、提供時期や日本での利用可否は未確定。 ここを混ぜずに伝えるのが大事ですね。
Q. OpenAIのモデルはAMDのチップ設計を具体的にどう改善したのですか?
A. チップの回路動作を記述するSystemVerilog RTLをモデルが書き換え、Synopsysのツールで振る舞いが保たれているかを検証しながら、電力・性能・面積のトレードオフを評価しました。AMDのフラッグシップGPU IPで、高度に最適化されたベースライン比で最大14%のPPA改善を5ヶ月未満で達成したとOpenAIは発表しています。
Q. PPA改善14%という数字は何に対する改善ですか?
A. AMDの技術者が長年最適化してきた「高度に最適化済みのベースライン」に対する、フラッグシップGPU IPでの最大14%の改善です。PPAは電力・性能・面積の3指標で、14%が3指標すべてで一律に改善したという意味ではありません。指標ごとの内訳は現時点では明らかにされていません。
Q. AIが書き換えた設計は実際に製造されましたか?
A. AMDは変更の一部を直近の製造向け設計にすでに含め、他の変更は将来バージョン向けの量産設計ファイルに追加したと発表されています。Jalapeñoでは、ベクタユニット約13%、マトリクスユニット約10%の面積削減がシリコンブリングアップ中に実シリコンで検証されました。
Q. Jalapeñoとは何ですか?
A. OpenAI初の自社推論チップです。2026年8月に初結果が公表され、今回の発表ではその計算ブロックの設計にOpenAIのモデルが貢献した具体例が示されました。設計には2025年初頭からGPT-o3 miniが使われ始めたとされています。
Q. GPT-Synopsysとは何ですか?いつ使えますか?
A. OpenAIのフロンティアモデルとSynopsysのEDAツール・設計知見を組み合わせた、チップ設計向けの専門モデルです。2026年9月30日に両社が複数年の戦略提携を発表し、共同開発が進行中です。OpenAIのホスト基盤で動作し、Synopsys.aiとSynopsys Autopilotに統合される予定で、主要半導体顧客との初期技術検証が進行中です。提供時期や日本での利用可否は現時点では明らかにされていません。
Q. 顧客の設計データは学習に使われますか?
A. Synopsysの発表によると、顧客データはモデルの学習には使われず、保存時・転送時に暗号化され、保持期間・監査・権限の設定による管理が可能とされています。
Q. 日本企業のチップ設計にも応用できますか?
A. 今回示されたのはAMDとOpenAIという特定条件下での結果で、GPT-Synopsysは共同開発・初期検証の段階です。日本企業の設計フローへの再現性や適用条件は現時点では明らかにされていません。またOpenAI自身が、仕様からの設計評価には機能省略の余地があり、面積制限や物理合成後のタイミング確認を含めるとより生産的設計に近いテストになると注記しています。