Home / IA & ML / OpenAI dice que sus modelos mejoraron el diseño de chips de AMD
OpenAI dice que sus modelos mejoraron el diseño de chips de AMD

OpenAI dice que sus modelos mejoraron el diseño de chips de AMD

19 November 2026 · 21 min de lectura ··

OpenAI afirma que sus modelos han mejorado el diseño de chips de AMD

El 18 de noviembre de 2026, OpenAI informó de que sus modelos de inteligencia artificial han logrado mejorar el diseño de chips de AMD, en lo que describe como un avance concreto en el terreno del diseño de semiconductores asistido por IA. Según la compañía, el trabajo permitió obtener hasta un 14 % de mejora en potencia, rendimiento y área, las tres variables que los ingenieros resumen con las siglas PPA, sobre la propiedad intelectual de GPU insignia de AMD. La comparación se hizo frente a bases de partida que ya estaban muy optimizadas, lo que hace que la cifra sea más llamativa que si se hubiera medido contra un diseño sin pulir.

Conviene leer el dato con precisión desde el principio. El 14 % es una cifra máxima, autoinformada por OpenAI y sin un desglose público que indique en qué bloques, con qué carga de trabajo o con qué combinación de potencia, rendimiento y área se obtuvo. No es una media del chip completo ni un resultado verificado por un tercero independiente. Dicho esto, el anuncio contiene otros elementos que le dan peso: los modelos trabajaron directamente sobre el código fuente del diseño, el equipo comprobó cada cambio con herramientas de verificación del sector, y AMD ya ha incorporado parte de las modificaciones en un diseño enviado a fabricación y en archivos de producción de versiones futuras.

Para un lector programador, la historia tiene un atractivo particular. El diseño de hardware moderno se escribe en lenguajes de descripción de hardware que, en la práctica, son código fuente con sus módulos, parámetros, jerarquías y pruebas. Que un modelo de lenguaje reescriba ese código para que el silicio resultante sea más pequeño, más rápido o consuma menos es, en esencia, una tarea de refactorización con una función objetivo muy exigente. En este artículo se explica qué ocurrió, qué significan los términos técnicos, cómo funciona el flujo de verificación que sostiene la credibilidad del resultado y qué límites conviene tener presentes.

Qué anunció exactamente OpenAI y qué cifras están confirmadas

Los hechos confirmados son pocos y bastante nítidos. OpenAI sostiene que sus modelos mejoraron el diseño de la propiedad intelectual de GPU insignia de AMD hasta en un 14 % en PPA. Los modelos reescribieron el RTL, es decir, la descripción del comportamiento lógico del circuito, escrita en SystemVerilog. Para garantizar que cada modificación no rompía nada, se emplearon herramientas de Synopsys, que sirvieron tanto para comprobar que el comportamiento del diseño se conservaba como para evaluar los compromisos de PPA que cada cambio introducía.

El segundo bloque de datos se refiere al destino de esos cambios. AMD incluyó algunas de las mejoras en un diseño que acababa de enviarse a fabricación, lo que significa que parte del trabajo ya ha cruzado la frontera entre la propuesta experimental y el producto real. Otras modificaciones se incorporaron a archivos de producción de futuras versiones, de modo que su efecto en silicio llegará más adelante. Esta distinción importa porque separa lo que ya está comprometido en un proceso de fabricación de lo que todavía está en el flujo de trabajo del equipo de diseño.

El tercer bloque tiene que ver con la CPU de próxima generación de AMD. En ese caso, la empresa informó de mejoras de un solo dígito en bloques clave, y esas cifras fueron verificadas por la propia AMD. Aquí hay una diferencia de tono relevante: la cifra de hasta el 14 % procede de OpenAI y se refiere a la GPU, mientras que las mejoras de un dígito en la CPU llegan con el respaldo de la compañía de semiconductores. Un porcentaje de un dígito puede parecer modesto, pero en bloques que ya han pasado por años de ajuste manual, cualquier ganancia sostenida tiene valor económico.

Por último, OpenAI presentó su propio marco temporal: describe el resultado como aproximadamente un año de avance logrado en menos de cinco meses. Es una valoración de la compañía, no una medición independiente, y debe tratarse como tal. Greg Brockman, de OpenAI, habló de “resultados sin precedentes”. Y la empresa anunció además una alianza con Synopsys para entrenar un modelo, llamado GPT-Synopsys, que utilizará herramientas de automatización del diseño electrónico para tareas de diseño y verificación.

RTL, EDA y PPA explicados para quien programa

Los tres acrónimos que sostienen la noticia son habituales en la industria del silicio, pero poco frecuentes en el día a día de un desarrollador de software. Merece la pena traducirlos a conceptos familiares.

RTL son las siglas de register transfer level, o nivel de transferencia entre registros. Es una forma de describir un circuito digital indicando qué registros existen, qué datos se mueven entre ellos en cada ciclo de reloj y qué lógica combinacional se aplica en el camino. Se escribe en lenguajes como SystemVerilog o VHDL. Si se busca una analogía con el software, el RTL sería el código fuente de alto nivel del chip: no describe transistores ni puertas concretas, sino el comportamiento que luego otras herramientas transformarán en una implementación física. A diferencia de un programa convencional, no se ejecuta línea tras línea; describe estructuras que existen en paralelo y que operan todas a la vez en cada ciclo.

EDA significa electronic design automation, automatización del diseño electrónico. Es el conjunto de herramientas de software que los equipos de diseño utilizan para simular, sintetizar, verificar, colocar y enrutar un circuito. Si el RTL es el código fuente, el EDA sería la cadena de compiladores, linters, analizadores estáticos, depuradores, perfiladores y sistemas de pruebas, todo en uno. Sin estas herramientas, diseñar un chip con miles de millones de transistores sería inviable. El sector está dominado por unas pocas empresas, entre ellas Synopsys, que es la que aparece en este anuncio.

PPA son las siglas de power, performance and area: potencia, rendimiento y área. Son las tres magnitudes que se negocian en cualquier diseño. Menos consumo suele implicar menos frecuencia o más área; más frecuencia suele costar energía; menos área reduce el coste por chip y permite empaquetar más unidades de cómputo, pero puede limitar el rendimiento. Mejorar PPA significa desplazar ese equilibrio a un punto mejor, algo parecido a reducir al mismo tiempo la latencia, el consumo de memoria y el uso de CPU de un servicio sin perder funcionalidad. Por eso una mejora del 14 % en PPA no es un número único y tangible: puede significar una combinación de ahorros en distintas dimensiones, y el anuncio no detalla cuál.

Cómo se reescribe RTL con un modelo de lenguaje

Un modelo de lenguaje entrenado con código y con documentación técnica puede leer un módulo de SystemVerilog, entender su estructura y proponer una versión equivalente que cambie la forma en que se calcula algo. Las transformaciones posibles son muy variadas. Se puede reordenar una cadena de operaciones para acortar la ruta crítica, es decir, el camino más lento entre dos registros que determina la frecuencia máxima. Se puede compartir un recurso aritmético entre dos operaciones que no coinciden en el tiempo, lo que ahorra área. Se puede reestructurar una máquina de estados para simplificar la lógica de decisión, o reducir la actividad de conmutación en señales que cambian sin necesidad, con el consiguiente ahorro de energía dinámica.

Ningún ingeniero experimentado se sorprendería de que estas técnicas existan; lo que resulta notable es la posibilidad de aplicarlas a gran escala, de forma sistemática y sobre un diseño que ya había pasado por muchas manos. El tiempo humano en un proyecto de GPU es limitado y se concentra en los bloques más críticos. Un modelo puede explorar de forma paciente cientos de variantes de bloques menos visibles, y cada candidata puede medirse con las herramientas del flujo. Aquí es donde el enfoque se parece a una búsqueda guiada: el modelo propone, el entorno mide, y la señal de retorno sirve para descartar o refinar.

Hay un detalle que separa este trabajo de una simple sugerencia de código. En software, un refactor erróneo puede detectarse con pruebas, y si una prueba falta, el error llega a producción y se corrige con un parche. En silicio no hay parche posible tras la fabricación. Un fallo lógico que sobrevive a la verificación puede obligar a rehacer máscaras, con costes de millones y meses de retraso. Por eso la parte menos vistosa del anuncio, el uso de herramientas de verificación para demostrar que el comportamiento se conserva, es en realidad la que hace aceptable el método.

La verificación como red de seguridad

Según la información publicada, se utilizaron herramientas de Synopsys para comprobar que cada cambio conservaba el comportamiento del diseño original. En el mundo del hardware existe una disciplina específica para esto, la verificación de equivalencia, que compara dos versiones de un circuito y determina, mediante métodos formales, si producen exactamente las mismas salidas para todas las entradas posibles. No es una batería de pruebas con ejemplos elegidos; es una demostración matemática sobre el conjunto completo de comportamientos.

Esta idea es muy valiosa para trabajar con modelos generativos. Los modelos de lenguaje cometen errores, a veces sutiles, y una cadena de razonamiento aparentemente sólida puede esconder una condición de carrera o una señal mal inicializada. Si cada propuesta debe pasar por un verificador que actúa como juez imparcial, el modelo puede equivocarse con frecuencia sin que ese riesgo llegue al producto final. Los errores se convierten en coste de computación, no en defectos de silicio. Es un patrón que los programadores reconocerán de otros ámbitos: un generador creativo y falible, acompañado de un validador estricto que filtra lo que no es correcto.

Las mismas herramientas también sirvieron para evaluar los compromisos de PPA. Esto indica que el ciclo no era únicamente de generación y validación lógica, sino también de medición física aproximada: tras proponer un cambio, se estima qué efecto tiene en consumo, frecuencia y superficie. Con esa información, el modelo puede aprender qué tipo de reescrituras resultan más rentables y descartar las que, aun siendo correctas, empeoran alguna magnitud de forma inaceptable. Un matiz importante es que la calidad del resultado depende tanto de la capacidad del modelo como de la fidelidad de la estimación; una estimación optimista de PPA podría sobrevalorar una mejora que desaparece tras la implementación física completa.

Del laboratorio al diseño: qué llegó a fabricación

La parte más concreta del anuncio es el destino de los cambios. AMD incorporó algunos de ellos en un diseño recién enviado a fabricación. En la jerga del sector, ese momento suele conocerse como tape-out, el instante en que los archivos finales del diseño se entregan a la fábrica para producir las obleas. Es un punto de no retorno práctico: a partir de él, cualquier error sale caro. Que una compañía acepte meter cambios generados con ayuda de IA en un diseño a punto de fabricarse sugiere un grado de confianza elevado en el proceso de verificación, aunque también es razonable pensar que los cambios elegidos fueron los de menor riesgo y mayor claridad.

Otros cambios se integraron en archivos de producción de futuras versiones. Esto significa que el trabajo no se queda en una demostración aislada, sino que se incorpora a la base de código viva del equipo de diseño, la que evolucionará en las siguientes generaciones. Desde el punto de vista de la ingeniería, es un matiz esencial: una mejora que entra en la rama principal se acumula, se hereda y sirve de punto de partida para lo siguiente. Una mejora que se queda en un informe técnico, no.

También conviene señalar lo que no se ha dicho. No se ha publicado qué porcentaje de los cambios propuestos por los modelos fue aceptado, cuántos fueron descartados por los ingenieros de AMD ni cuánto tiempo humano exigió la revisión. Tampoco se ha precisado qué productos concretos de la línea de GPU incorporarán las mejoras ni cuándo llegarán al mercado. Sin esos datos, es imposible estimar con rigor el ahorro neto de esfuerzo o el impacto en el precio y el rendimiento de los chips que lleguen a los usuarios.

La CPU de próxima generación: ganancias de un dígito

En el caso de la CPU de próxima generación de AMD, la compañía informó de mejoras de un dígito en bloques clave, y la propia AMD las verificó. Este punto añade perspectiva. Por un lado, demuestra que el enfoque no se limita a las GPU, cuyos diseños tienen mucha repetición y paralelismo, sino que también funciona, al menos en parte, en la arquitectura de una CPU, donde la lógica de control, la predicción y la jerarquía de caché son más irregulares.

Por otro lado, las cifras son menores y están formuladas en términos generales. Una mejora de un dígito en un bloque clave puede traducirse en ahorros apreciables cuando se multiplica por millones de unidades vendidas o por la escala de un centro de datos, pero no cambia la naturaleza del producto. Es también un recordatorio de que los diseños de procesadores llevan décadas de optimización manual y de herramientas de síntesis cada vez mejores, de modo que las ganancias fáciles ya se agotaron. Que un modelo encuentre algo que los equipos habían pasado por alto, aunque sea poco, tiene valor precisamente porque el terreno está muy trabajado.

Hay una lectura prudente: los porcentajes del 14 % y de un dígito no son comparables entre sí. Se refieren a productos distintos, con bases de partida distintas, y proceden de fuentes diferentes dentro del anuncio. Sumarlos o promediarlos no tendría sentido. Lo único que puede afirmarse con seguridad es que el método produjo mejoras medibles en dos líneas de producto de AMD, con grados distintos de verificación y detalle.

Un año de avance en menos de cinco meses: cómo leer la afirmación

OpenAI describe el resultado como aproximadamente un año de avance en menos de cinco meses. La frase es una valoración de la propia compañía, y como tal necesita contexto. No se ha publicado una metodología que explique qué se considera un año de avance: puede referirse al ritmo habitual de mejoras de PPA que un equipo humano logra entre generaciones, o a la cantidad de trabajo de ingeniería que habría exigido el mismo resultado sin asistencia. Mientras no se conozca la definición, la comparación es difícil de contrastar.

Aun así, la idea de fondo es plausible y está alineada con lo que se observa en otras áreas del desarrollo asistido por IA. Cuando una tarea tiene una señal de evaluación automática clara, como un verificador formal y un estimador de PPA, los modelos pueden iterar mucho más rápido que un equipo humano, que está limitado por jornadas, reuniones y revisiones. La velocidad no proviene de que cada propuesta sea mejor que la de un ingeniero experto, sino de que se pueden probar muchísimas más y de que la comprobación es barata en comparación con el coste de equivocarse.

Greg Brockman, de OpenAI, habló de “resultados sin precedentes”. Es una declaración de un directivo de la empresa que presenta el resultado y, por tanto, debe leerse como una valoración con interés comercial, no como una conclusión de un análisis externo. Lo que sí puede decirse con neutralidad es que la combinación de un laboratorio de IA, un fabricante de chips y un proveedor de herramientas EDA trabajando sobre un diseño real de producción es poco habitual y merece atención, con independencia de cómo se califique el resultado final.

GPT-Synopsys y la alianza con Synopsys

La segunda mitad del anuncio mira hacia delante. OpenAI informó de una alianza con Synopsys para entrenar un modelo llamado GPT-Synopsys, concebido para utilizar herramientas de EDA en tareas de diseño y verificación. La idea no es solo que un modelo genérico escriba código de hardware, sino que un modelo entrenado en colaboración con el proveedor de las herramientas sepa manejarlas como parte de su propio razonamiento: lanzar una simulación, interpretar un informe de temporización, ajustar una restricción y repetir.

Para quien programa, la analogía más cercana es la de los agentes de código que ejecutan compiladores, pruebas y linters, y que aprenden a corregirse a partir de la salida. Aquí el entorno es más pesado y más caro, porque cada llamada a una herramienta de síntesis o verificación puede tardar mucho más que compilar un proyecto. Entrenar un modelo en ese entorno exige acceso profundo a las herramientas, datos de diseño de calidad y una infraestructura de cómputo considerable. Por eso la alianza con el proveedor de las herramientas tiene sentido estratégico: sin su colaboración, el modelo solo vería el hardware desde fuera.

Todavía no se han comunicado fechas de disponibilidad, condiciones de acceso ni clientes concretos. Tampoco se sabe en qué medida GPT-Synopsys será un producto comercial, una capacidad integrada en las herramientas existentes o una colaboración de investigación. Esos detalles determinarán si el avance llega a equipos pequeños de diseño o queda reservado a las grandes empresas de semiconductores, que son las que ya cuentan con licencias de EDA, bibliotecas propias y volumen para amortizar la inversión.

El contexto: IA que diseña el hardware que entrena a la IA

La noticia se inscribe en un círculo cada vez más visible: los modelos de IA se entrenan y se ejecutan en chips, y ahora esos mismos modelos ayudan a diseñar los chips de la siguiente generación. Es una dinámica de realimentación que interesa a toda la industria, porque el cuello de botella del sector es el cómputo, y cualquier ganancia en eficiencia de silicio se traduce en capacidad adicional para entrenar y servir modelos.

En las últimas semanas el ecosistema ha ofrecido otras piezas del mismo mosaico. La transición de liderazgo en Nvidia, que se analizó en qué cambia para la IA y CUDA tras la salida de Jensen Huang, muestra hasta qué punto el futuro del software de IA depende de decisiones de hardware. La portabilidad entre plataformas es otro frente: el caso de Mythos portando Claude a AMD MI355X en tres días ilustra cómo la IA ya se emplea para acelerar el trabajo de adaptación sobre aceleradores de AMD. Y la medición del rendimiento sigue siendo el árbitro, como se vio cuando Vera Rubin NVL72 debutó en MLPerf Training v6.1.

Lo que aporta el anuncio de OpenAI y AMD es un eslabón distinto. Hasta ahora, gran parte de la conversación sobre IA y hardware giraba en torno a escribir software para los chips o a usarlos mejor. Aquí el modelo interviene en la definición misma del circuito. Si el enfoque se consolida, cada generación de aceleradores podría beneficiarse de optimizaciones generadas por los modelos que las generaciones previas hicieron posibles, un ciclo que, de funcionar, acortaría los plazos de desarrollo.

Qué cambia para los equipos de hardware y para los programadores

Es pronto para saber si este trabajo alterará de forma profunda el oficio del diseñador de chips, pero algunas consecuencias parecen razonables. La primera es un desplazamiento del esfuerzo. Los ingenieros de diseño y verificación seguirán siendo imprescindibles, pero buena parte de su tiempo podría pasar de escribir y retocar RTL línea a línea a definir objetivos, revisar propuestas, diseñar buenas restricciones y construir entornos de verificación que no se dejen engañar. La calidad de la verificación se convierte en el factor limitante: un modelo muy capaz y un verificador débil son una mala combinación.

La segunda consecuencia afecta a la formación. Los programadores que se acercan al hardware, por ejemplo desde el desarrollo de FPGA, el diseño de aceleradores o la optimización de kernels, encontrarán que entender RTL, restricciones de temporización y métricas de PPA seguirá siendo una ventaja, ya que permite juzgar lo que propone el modelo. Quien no entiende el espacio del problema acepta resultados que no sabe evaluar. En cambio, quien conoce el dominio puede dirigir al modelo con precisión y detectar propuestas que cumplen el verificador pero van contra la intención del diseño.

La tercera consecuencia es de carácter económico. Si la IA reduce el coste de explorar variantes de diseño, los equipos podrán dedicar el mismo presupuesto a más bloques o a más iteraciones. Eso puede beneficiar tanto a grandes fabricantes como a empresas que diseñan chips especializados, siempre que tengan acceso a las herramientas y a los modelos. También podría ampliar la brecha con quienes no lo tengan, algo que dependerá de las condiciones comerciales que se fijen para productos como GPT-Synopsys.

Límites, dudas abiertas y precauciones

Un análisis responsable debe señalar lo que el anuncio no permite concluir. La cifra de hasta el 14 % es un máximo; no se sabe cuántos bloques alcanzaron ese nivel ni cuál fue la mejora típica. No hay un desglose entre potencia, rendimiento y área, y una mejora del 14 % en una sola de ellas, a costa de empeorar otra, tendría un significado muy distinto de una mejora equilibrada. Tampoco se ha publicado el detalle de las bases de comparación, aunque se describen como muy optimizadas, ni el procedimiento que se siguió para medir.

Existe además la cuestión de la verificación. La equivalencia formal es una herramienta poderosa, pero su alcance depende de cómo se modele el diseño y de qué propiedades se comprueban. Hay aspectos del hardware real, como el comportamiento en cruces de dominios de reloj, las condiciones de temporización tras el emplazamiento y el enrutado, o los efectos físicos a escala nanométrica, que no se capturan por completo en una comparación a nivel de RTL. Por eso los flujos reales encadenan varias fases de comprobación, y es razonable suponer que los cambios aceptados por AMD pasaron por sus procesos habituales antes de llegar a producción. Sin embargo, el anuncio no detalla esas fases.

Otra precaución se refiere a la procedencia de la información. Los resultados principales proceden de OpenAI, y las mejoras en la CPU de próxima generación fueron verificadas por AMD. No consta una evaluación independiente del conjunto, y no la habrá hasta que los chips estén en el mercado y puedan medirse en condiciones reales. Es el mismo criterio que se aplica a cualquier afirmación de rendimiento de un fabricante: hasta que existan pruebas externas, se trata de una declaración de parte.

Por último, está el asunto de la propiedad intelectual y la confidencialidad. Los diseños de GPU insignia son uno de los activos más sensibles de una compañía de semiconductores. Que un modelo de un tercero trabaje sobre ellos plantea preguntas sobre el aislamiento de datos, el uso de esa información en el entrenamiento y el control de lo que los modelos pueden retener. El anuncio no entra en esos aspectos, y es un terreno que probablemente centrará la atención de los clientes que valoren adoptar herramientas similares.

Situación actual de la historia

A fecha de 19 de noviembre de 2026, lo que existe es el anuncio de OpenAI del día 18, con las cifras y los hechos descritos: una mejora de hasta el 14 % en PPA sobre la propiedad intelectual de GPU insignia de AMD, el uso de herramientas de Synopsys para verificar equivalencia y evaluar compromisos, la integración de algunos cambios en un diseño recién enviado a fabricación y de otros en archivos de producción de futuras versiones, las mejoras de un dígito en bloques clave de la CPU de próxima generación verificadas por AMD, y la alianza con Synopsys para entrenar GPT-Synopsys.

Quedan pendientes varias respuestas. No se conocen los productos concretos que llevarán los cambios, ni los plazos en que llegarán al mercado, ni las mediciones independientes que permitirán contrastar las cifras. Tampoco hay detalle sobre el calendario, el alcance comercial o los primeros clientes de GPT-Synopsys. Es probable que en las próximas semanas y meses aparezcan más datos, ya sea de las compañías implicadas o de los análisis técnicos que se hagan de los chips cuando salgan al mercado.

Mientras tanto, la lectura prudente consiste en reconocer el avance sin darle más alcance del que tiene. Es un resultado relevante, con elementos de verificación creíbles y adopción real en procesos de producción, pero presentado con cifras máximas y valoraciones de las propias partes. La historia seguirá desarrollándose, y su verdadero tamaño se conocerá cuando los diseños lleguen a silicio y puedan compararse con sus predecesores en pruebas abiertas.

Conclusiones

El anuncio de OpenAI sobre el trabajo con AMD marca un paso significativo en la aplicación de modelos de IA al diseño de semiconductores. Los modelos reescribieron RTL en SystemVerilog, las herramientas de Synopsys comprobaron que el comportamiento se conservaba y midieron los compromisos de PPA, y AMD aceptó incorporar parte de los cambios en un diseño ya enviado a fabricación y en archivos de producción de versiones futuras. Todo ello con una cifra de hasta el 14 % de mejora en las GPU y ganancias de un dígito en bloques clave de la CPU de próxima generación.

La clave técnica del resultado no está solo en la capacidad generativa de los modelos, sino en el entorno que los rodea: un verificador que actúa como juez y un estimador que ofrece una señal de retorno clara. Esa combinación permite explotar la creatividad del modelo sin asumir sus errores, y es un patrón que los programadores reconocerán y que probablemente se extenderá a otros dominios donde la corrección se pueda comprobar de forma automática.

Al mismo tiempo, es necesario mantener la cautela. La cifra principal es un máximo autoinformado, sin desglose, y la comparación de “un año de avance en menos de cinco meses” es una valoración de la propia compañía. La confirmación llegará con datos independientes, con los productos en el mercado y con detalles sobre cuántas propuestas se descartaron por el camino.

Con GPT-Synopsys, el siguiente capítulo ya está anunciado: un modelo entrenado para manejar herramientas de EDA como parte de su propio razonamiento. Si cumple lo prometido, el diseño de chips podría parecerse cada vez más a otros flujos de desarrollo asistidos por IA, donde el profesional define objetivos, supervisa y valida. Para el programador que quiera entender hacia dónde va el sector, aprender los fundamentos de RTL, EDA y PPA ya no es una curiosidad ajena, sino una forma de leer con criterio una de las transformaciones más importantes de la industria.