OpenAI a publié le 18 novembre 2026 un rapport intitulé « Advancing chip design with OpenAI models », dans lequel l'entreprise détaille comment ses propres modèles d'IA accélèrent la conception de sa première puce d'inférence maison, baptisée Jalapeño, et participent à l'optimisation des futurs GPU et CPU d'AMD. Sur l'IP GPU phare d'AMD, les modifications proposées par les modèles ont permis jusqu'à 14 % d'amélioration PPA (puissance, performance, surface), selon OpenAI.
L'information confirme une tendance qu'on observait déjà avec le lancement de Codex pour la CAO et les PCB : OpenAI ne se contente plus de produire du texte ou du code applicatif, elle met ses modèles au service de son propre matériel. C'est une étape de plus dans la logique d'une IA qui optimise les outils qui serviront à entraîner la génération suivante d'IA, un thème qui nourrit les débats sur l'autonomie croissante des systèmes.
À retenir
- Jalapeño, la première puce d'inférence maison d'OpenAI, voit sa surface de standard-cells réduite d'environ 13 % sur l'unité vectorielle et 10 % sur l'unité matricielle, des gains validés sur silicium.
- Avec AMD, les modèles OpenAI ont permis jusqu'à 14 % de gains PPA sur l'IP GPU phare du fabricant, et la méthode s'étend déjà aux futurs GPU et CPU de prochaine génération.
- Le modèle star de ces travaux est GPT-6.2 Astra, testé sur deux cœurs RISC-V open-source : PicoRV32 et Ibex (le cœur de la puce de sécurité OpenTitan).
- À budget égal (environ 112 000 tokens par run), GPT-6.2 Astra obtient un score environ deux fois supérieur à GPT-6 Astra sur PicoRV32.
- La publication est corroborée par IEEE Spectrum, qui confirme les gains PPA de 14 % le 19 novembre 2026.
01Jalapeño, la puce où tout a commencé
Jalapeño est la première puce d'inférence conçue en interne par OpenAI. Selon le rapport publié par l'entreprise, les modifications de circuits proposées par ses modèles ont réduit la surface des standard-cells d'environ 13 % sur l'unité vectorielle et 10 % sur l'unité matricielle. Le point important : ces changements ne sont pas restés théoriques, ils ont été validés sur silicium lors du bring-up de la puce, c'est-à-dire la phase où le circuit physique est fabriqué et testé pour la première fois.
Pourquoi réduire la surface d'un circuit compte
Dans la conception de puces, chaque millimètre carré de silicium gagné se traduit en coût de production réduit, en consommation énergétique plus faible et, potentiellement, en davantage de puces produites sur une même tranche de silicium. Pour une entreprise comme OpenAI, qui cherche à sécuriser sa propre capacité de calcul plutôt que de dépendre uniquement de fournisseurs externes, ce type de gain touche directement à l'équation économique de l'inférence à grande échelle.
02GPT-6.2 Astra face à GPT-6 Astra : le test RISC-V
Pour évaluer la progression de ses modèles sur des tâches d'ingénierie matérielle, OpenAI les a confrontés à deux cœurs de processeur RISC-V 32 bits open-source : PicoRV32, conçu pour FPGA, et Ibex, le cœur embarqué utilisé dans la puce de sécurité OpenTitan. Ces deux cibles servent de référence car elles sont publiques, documentées et déjà utilisées dans l'industrie, ce qui permet de comparer des modèles sur un terrain connu.
Le match à budget égal
À budget de calcul comparable, environ 112 000 tokens par run, c'est GPT-6.2 Astra qui obtient le score moyen le plus élevé sur les deux cœurs testés. Sur PicoRV32 en particulier, son score est environ le double de celui de GPT-6 Astra au même budget, selon OpenAI. Ce point mérite d'être précisé : le modèle phare mis en avant dans ce rapport est bien GPT-6.2 Astra, une version plus récente que GPT-6 Astra, qui sert ici de point de comparaison historique plutôt que de référence actuelle. Pour comprendre où se situe cette version dans la gamme OpenAI, le guide de choix des modèles Astra, Sol et Luna permet de replacer ces noms dans leur contexte.
03Avec AMD, jusqu'à 14 % de gains PPA
Le volet le plus commercial du rapport concerne la collaboration avec AMD. OpenAI indique que ses modèles ont permis jusqu'à 14 % d'amélioration PPA, c'est-à-dire sur les trois axes combinés de puissance consommée, performance et surface de silicium, sur l'IP GPU phare d'AMD. L'approche ne s'arrête pas à ce seul bloc : elle a ensuite été appliquée aux futurs GPU et CPU de prochaine génération d'AMD, selon le rapport.
OpenAI ne se limite plus à optimiser du texte ou du code, elle optimise désormais le silicium lui-même.
Un tableau permet de résumer les trois gains chiffrés cités dans le rapport, à ne pas confondre entre eux car ils ne mesurent pas la même chose : surface standard-cell pour Jalapeño, PPA combiné pour l'IP AMD.
| Puce / IP | Composant | Gain | Nature du gain |
|---|---|---|---|
| Jalapeño | Unité vectorielle | -13 % | Surface standard-cell |
| Jalapeño | Unité matricielle | -10 % | Surface standard-cell |
| AMD, IP GPU phare | Bloc complet | Jusqu'à 14 % | PPA (puissance/perf/surface) |
04Un signal de plus sur la trajectoire d'auto-amélioration de l'IA
Ce rapport s'inscrit dans une série de mouvements récents où OpenAI étend ses modèles à des métiers d'ingénierie très spécialisés, au-delà de la génération de texte ou d'image. On l'avait déjà vu avec l'arrivée de Codex sur la conception de circuits imprimés et de CAO. Le fait que des modèles de langage interviennent désormais dans la conception physique des puces qui font tourner l'IA elle-même nourrit un débat récurrent : celui d'une IA capable de participer, même partiellement, à l'amélioration de sa propre infrastructure matérielle.
Ce que confirment les sources indépendantes
La publication d'OpenAI n'est pas restée isolée : IEEE Spectrum a confirmé le 19 novembre 2026 la réalité du rapport et les gains PPA de 14 % mesurés sur l'IP GPU d'AMD, un point utile pour distinguer une annonce marketing d'un résultat technique réellement documenté.
05Pourquoi ça compte aussi pour les équipes SEO et IA en France
À première vue, la conception de puces semble loin des préoccupations quotidiennes d'une équipe SEO ou d'un consultant IA en France. Mais la capacité de calcul disponible, son coût et sa disponibilité déterminent directement le prix des API utilisées au quotidien, la vitesse d'inférence des modèles, et la fréquence des tensions d'approvisionnement qu'on a déjà vues avec la pénurie mondiale de mémoire RAM ou les accords massifs autour des TPU et GPU. Qu'OpenAI optimise ses propres puces et celles de son partenaire AMD peut, à terme, se traduire par des coûts d'inférence plus bas ou des capacités plus stables pour les outils que les équipes marketing utilisent chaque jour.
Rester vigilant sur la dépendance silicium
Ce rapprochement avec AMD ne signifie pas pour autant qu'OpenAI devient indépendante en matière de fabrication. L'entreprise reste dépendante de partenaires silicium externes pour la production réelle des puces, dans un contexte de course aux capacités de calcul où chaque gain de quelques pourcents sur la surface ou la consommation compte, tant les volumes en jeu sont massifs.
