Saltar al contenido

IA para diseñar chips: mejoras medidas y límites reales

noviembre 19, 2026
Primer plano de una placa de circuito impreso utilizada para ilustrar el diseño de chips con inteligencia artificial

La inteligencia artificial ya no solo ayuda a escribir software: también puede proponer cambios en el código que describe un procesador, ejecutar herramientas de diseño electrónico y comparar si el nuevo circuito conserva su comportamiento. OpenAI publicó el 18 de noviembre de 2026 resultados sobre su chip Jalapeño, diseños de AMD y dos núcleos RISC-V abiertos. Las cifras son relevantes, pero necesitan contexto: una mejora en área, rendimiento o consumo no equivale por sí sola a un chip terminado ni convierte al modelo en sustituto del equipo de ingeniería.

El interés práctico está en el método. Un modelo genera una alternativa de RTL —la descripción lógica del hardware—, las herramientas de automatización electrónica la sintetizan y verifican, y los ingenieros deciden si el resultado merece avanzar. Es un ciclo de propuesta, medición y revisión, no una conversación informal que acaba directamente en fabricación.

Índice

Qué resultados se han anunciado

La publicación técnica de OpenAI sobre diseño de chips describe tres líneas de trabajo. En el chip de inferencia Jalapeño, los cambios propuestos por modelos redujeron, según la estimación del equipo, cerca de un 13 % el área de celdas estándar del motor de ejecución paralela y un 10 % la unidad matricial. Un rediseño de multiplicador utilizó alrededor de un 15 % menos de área y redujo su latencia de dos ciclos a uno; otro sumador disminuyó aproximadamente un 15 % el área manteniendo dos ciclos.

La compañía afirma que esas optimizaciones se comprobaron durante la puesta en marcha del silicio. Esa precisión importa: no se trata únicamente de una puntuación en un simulador. Aun así, el comunicado procede de la organización que desarrolló el modelo y el chip, y no aporta todos los archivos, costes y condiciones necesarios para que un tercero reproduzca el proceso completo.

En colaboración con AMD, OpenAI informa de mejoras de hasta el 14 % frente a bases ya optimizadas en propiedad intelectual de GPU. El modelo reescribió RTL en SystemVerilog y utilizó herramientas de Synopsys para comprobar equivalencia funcional y estimar compromisos entre potencia, rendimiento y área. AMD incorporó parte de los cambios en un diseño enviado a fabricación y otros en archivos destinados a versiones futuras. En bloques de una próxima CPU, la mejora verificada fue de un solo dígito porcentual.

Área, rendimiento y consumo: el triángulo PPA

En hardware se habla de PPA por power, performance and area: potencia, rendimiento y área. Reducir una dimensión puede perjudicar otra. Una lógica más rápida quizá ocupe más silicio; un bloque pequeño puede necesitar más ciclos; una frecuencia superior puede elevar el consumo. Por eso una cifra aislada no basta.

El área afecta al número de chips que caben en una oblea y, por tanto, al coste potencial. El rendimiento depende de la frecuencia, la cantidad de trabajo por ciclo y el comportamiento del sistema completo. La potencia determina límites térmicos, autonomía y densidad. El diseño útil es el que satisface simultáneamente restricciones funcionales, eléctricas, térmicas, temporales y de fabricación.

Cuando el anuncio habla de un 14 % de mejora PPA, no significa necesariamente que todo el producto sea un 14 % más rápido o barato. Puede referirse a determinados bloques y a una función que combina varias métricas. La traducción al usuario final depende de memoria, interconexiones, software, empaquetado y muchos otros componentes.

Qué hace realmente el modelo

Un procesador digital se describe mediante lenguajes como Verilog o SystemVerilog. El RTL expresa registros, operaciones, señales de control y transferencias de datos. Las herramientas de síntesis convierten esa descripción en una red de elementos lógicos adaptada a una tecnología. Después llegan verificaciones, temporización, colocación, enrutado y análisis físicos.

En este flujo, el modelo puede explorar alternativas: compartir una unidad aritmética, reorganizar una tubería, eliminar almacenamiento intermedio o cambiar cómo se calcula una operación. Cada propuesta necesita pruebas. Si altera una salida, incumple el tiempo máximo o dispara el área, se descarta.

La diferencia frente a un asistente que solo sugiere código es la conexión con evaluadores. El modelo recibe resultados de simulación y síntesis, interpreta fallos y vuelve a iterar. La nota técnica atribuye buena parte del valor a ese bucle cerrado con herramientas especializadas y revisión humana.

Por qué se usaron núcleos RISC-V abiertos

Para comparar generaciones de modelos, el equipo trabajó con PicoRV32 e Ibex, dos núcleos RISC-V de 32 bits. La documentación oficial de Ibex lo define como un núcleo abierto de calidad de producción, escrito en SystemVerilog, parametrizable y sometido a una verificación extensa. Disponer del código y de bancos de pruebas permite medir cambios sin revelar diseños industriales confidenciales.

Los modelos recibieron dos tareas. En una debían mejorar un núcleo existente. En otra partían de requisitos escritos y plantillas de conexión para crear una arquitectura. La métrica combinó instrucciones por ciclo con una estimación de frecuencia máxima; los diseños que fallaban comprobaciones o superaban dieciséis veces el área original recibían cero.

Con un presupuesto comparable de unos 112.000 tokens por ejecución, GPT-6.2 Astra obtuvo la media más alta en ambos núcleos. La evaluación reunió 9.881 ejecuciones puntuadas entre tareas, núcleos y presupuestos. Es una muestra considerable para comparar configuraciones dentro del experimento, aunque no representa todas las fases ni todos los tipos de chips.

El dato sorprendente: diseñar desde requisitos rindió mejor

Los cinco modelos evaluados obtuvieron mejores resultados medios al crear un núcleo desde una especificación que al modificar el diseño existente. Una explicación plausible es que el modelo pudo omitir funciones que no contribuían a la métrica, como contadores de rendimiento o instrucciones adicionales. El propio informe reconoce ese límite.

Esto enseña una lección aplicable fuera del hardware: una métrica define lo que el sistema optimiza, no necesariamente todo lo que el usuario necesita. Si se premia el rendimiento y se tolera una superficie funcional más pequeña, el resultado puede ganar la prueba sin ser un sustituto equivalente del original.

Una evaluación más exigente debería obligar a conservar funciones, estrechar el límite de área y comprobar temporización después de síntesis física. También convendría publicar distribuciones de resultados, costes de cómputo, intentos fallidos y criterios de selección para conocer la eficiencia real del proceso.

Qué aportan las herramientas de diseño electrónico

La síntesis no es una simple compilación. Herramientas como Yosys transforman RTL y permiten experimentar con optimizaciones lógicas. Su documentación oficial explica que puede procesar Verilog, aplicar pases de síntesis, realizar mapeo lógico y conectarse con flujos de verificación formal. Las plataformas comerciales añaden bibliotecas, análisis y flujos preparados para procesos industriales.

OpenAI y Synopsys mantienen una colaboración para entrenar GPT-Synopsys. El anuncio oficial de Synopsys describe un modelo especializado capaz de operar herramientas EDA, interpretar resultados e iterar objetivos PPA. El mismo documento distingue entre tecnología en desarrollo y beneficios futuros: incluye advertencias expresas sobre incertidumbres, plazos y resultados.

La herramienta proporciona una señal cuantitativa y reglas de ingeniería; el modelo amplía el espacio de alternativas. El ingeniero fija restricciones, revisa excepciones, interpreta compromisos y decide qué se integra. Sin evaluadores fiables, una propuesta convincente puede ser simplemente incorrecta.

Qué no demuestran todavía estas cifras

No prueban autonomía completa

Los resultados describen equipos que preparan tareas, herramientas y criterios, y después revisan los cambios. No se ha demostrado un sistema que reciba una idea de producto y entregue por sí solo un chip seguro, fabricable y rentable.

No garantizan la misma mejora en cualquier diseño

La oportunidad depende de la base. Un bloque ya muy afinado puede tener poco margen; otro puede contener redundancias claras. Las bibliotecas de celdas, el nodo de fabricación y las restricciones cambian el resultado.

No sustituyen la verificación física

Superar simulación y síntesis lógica no cubre integridad de señal, variaciones de fabricación, consumo dinámico, temperatura o empaquetado. La distancia entre RTL correcto y producto fabricado sigue siendo grande.

No ofrecen una comparación independiente completa

Las cifras proceden principalmente de las empresas participantes. Que AMD haya incorporado cambios es una señal de uso real, pero una auditoría reproducible necesitaría más artefactos, definiciones de métrica y resultados de terceros.

Un método responsable para adoptar IA en ingeniería

La mejor forma de empezar no es delegar un sistema crítico, sino elegir un bloque acotado, una base estable y métricas claras. La guía de Fórmate con IA sobre cómo medir y escalar un proyecto piloto de inteligencia artificial ayuda a separar una demostración prometedora de un resultado repetible.

El segundo paso es diseñar controles: revisión por pares, pruebas ocultas, límites de recursos, trazabilidad de cada propuesta y posibilidad de revertirla. En automatizar tareas con IA sin perder el control se desarrolla este patrón para otros flujos profesionales. En hardware, el principio es aún más importante porque un error puede llegar a silicio y resultar muy costoso.

También hay que medir el coste total. Una mejora técnica puede exigir muchas ejecuciones, licencias caras y horas de revisión. El indicador útil no es solo el mejor resultado, sino la tasa de propuestas válidas, el tiempo hasta la verificación, el coste de cómputo y el trabajo humano evitado.

Qué cambia para estudiantes y profesionales

El valor se desplaza hacia formular especificaciones, construir evaluadores y leer resultados de herramientas. Saber pedir una alternativa ayuda, pero comprender por qué una ruta falla temporización o una equivalencia no se sostiene sigue siendo esencial. La IA puede multiplicar experimentos; no elimina la necesidad de criterio técnico.

Quien empieza puede aprender los conceptos con proyectos pequeños y simuladores abiertos antes de asumir que una herramienta generativa resuelve toda la cadena. El análisis del curso Domina la IA y su temario práctico sirve para valorar una base general. Para quienes quieran convertir prototipos en aplicaciones, el análisis de crear una app con inteligencia artificial sin programar muestra otro itinerario; son recursos comerciales y no sustituyen formación en microelectrónica.

Hechos confirmados y predicciones

Hechos: OpenAI publicó resultados sobre Jalapeño, AMD, PicoRV32 e Ibex; informó de reducciones de área en bloques concretos, mejoras PPA de hasta el 14 % en propiedad intelectual de GPU y una evaluación de 9.881 ejecuciones. AMD incorporó parte de los cambios descritos, según la publicación. Existe además un acuerdo plurianual con Synopsys para desarrollar un modelo especializado.

Predicciones: que estos sistemas reduzcan de forma general los plazos de todos los chips, democraticen el acceso al diseño avanzado o abaraten el hardware final. Son hipótesis razonables, pero requieren datos de proyectos diversos, costes completos y validación independiente.

Conclusión

La novedad no es que un modelo escriba SystemVerilog, sino que entre en un circuito de ingeniería con simulación, síntesis, verificación y revisión humana. Los resultados publicados muestran mejoras reales en bloques concretos y una capacidad creciente para explorar arquitecturas. También muestran por qué una buena métrica puede ocultar funciones omitidas y por qué ningún porcentaje debe separarse de sus condiciones.

La lectura prudente es prometedora: la IA puede convertirse en un multiplicador del trabajo de los diseñadores de chips. La conclusión que todavía no está justificada es la autonomía total. Por ahora, el avance más sólido combina modelos capaces, herramientas que miden la realidad del circuito y profesionales que deciden qué cambio merece llegar al silicio.