Oossa

OpenAI aide AMD à améliorer de 14 % l’efficacité de ses GPU

En cinq mois, les modèles d’IA d’OpenAI ont amélioré d’environ 14 % la consommation, les performances et la surface de la puce phare d’AMD. Selon AMD, cela représente un an de travail d’ingénierie.

Par Publié par Oossa: 2 min de lecture

Trnava University · Unsplash

OpenAI a annoncé que ses modèles d’IA avaient servi à optimiser la conception du GPU phare d’AMD. En moins de cinq mois, ils ont permis d’améliorer jusqu’à 14 % la consommation, les performances et la surface de la puce — les trois critères qu’AMD regroupe sous l’acronyme PPA. Selon AMD, ce gain équivaut à environ un an de travail que ses ingénieurs auraient normalement dû consacrer à l’optimisation d’une conception déjà affinée pendant plusieurs années. Certains changements ont déjà été intégrés à une version de la puce qui s’apprête à être fabriquée.

Le travail a été mené en partenariat avec l’équipe matérielle d’AMD. OpenAI a fourni à ses modèles de type GPT des données de placement et de timing, afin que l’IA puisse suggérer de petits ajustements visant à réduire la consommation, accélérer les calculs ou diminuer la surface de silicium. La société affirme que la même approche a aussi été utile pour sa propre puce d’inférence sur mesure, appelée Jalapeño, où le modèle GPT‑6.2 Astra a surpassé les versions précédentes sur des cœurs RISC‑V open source. OpenAI collabore également avec le fournisseur d’outils EDA Synopsys sur un projet baptisé GPT‑Synopsys, qui vise à rendre les outils de conception de puces assistés par l’IA accessibles à un plus grand nombre d’ingénieurs.

Comment d’autres acteurs de l’IA s’y prennent

Anthropic, un autre laboratoire d’IA, fait état d’une accélération comparable avec son modèle Mythos. Celui-ci a traité en trois jours des requêtes destinées à une conception exécutée sur des GPU MI355X d’AMD, alors que ce travail prendrait normalement de six à douze mois, selon Anthropic. L’entreprise utilise désormais quatre familles de puces AMD pour faire fonctionner son assistant Claude et trouver le bon équilibre entre coût et performances par dollar dépensé. Ces exemples montrent que la conception assistée par l’IA passe des laboratoires de recherche à la fabrication de puces bien réelles.

Les conséquences pour le marché

Si l’IA peut réduire d’un an le cycle de développement des GPU haut de gamme, les fabricants pourraient proposer plus rapidement du matériel plus efficace et moins coûteux. Pour les joueurs, les opérateurs de centres de données ou toute personne qui achète une carte graphique, cela pourrait se traduire par une meilleure autonomie des ordinateurs portables, un coût moindre du calcul dans le cloud ou des appareils plus compacts à performances égales. Les économies réelles dépendront de la part des ajustements générés par l’IA qui sera intégrée aux puces produites en série — un point qu’AMD n’a pas encore précisé.

Pourquoi c'est important

Les consommateurs pourraient bénéficier de cartes graphiques qui chauffent moins et consomment moins d’énergie, ce qui réduirait les factures d’électricité et rendrait les ordinateurs portables plus silencieux. Les opérateurs de centres de données pourraient avoir besoin de moins de puces pour traiter la même charge de travail, et ainsi réduire leurs dépenses d’investissement. L’effet sur les prix reste incertain tant que les nouvelles conceptions ne sont pas commercialisées.

Cet article vous a-t-il été utile ?
Partager

À lire ensuite

Oossa · Newsletter

La semaine de l'IA, expliquée

Chaque lundi : l'essentiel de l'actualité, en langage clair. Gratuit, sans spam.