SemiAnalysis berichtet, OpenAI habe beim Benchmarking von DeepSeek bemerkt, dass intern keine eigenen MLA-Kernel vorhanden waren. Daraufhin schrieb eine interne Codex-Version funktionsfähige und effiziente Kernel, ohne dass ein Kernel-Spezialist jeden Schritt anleiten musste. Die Sprache Gluon baut auf Triton auf und soll maschinennahe Abstraktionen mit OpenAIs Linear-Layout-System verbinden.
Die rund 3.000 Zeilen umfassenden Kernel seien handoptimiert und mit Korrektheitstests sowie einem eigenen Sanitizer abgesichert worden. OpenAI plane, die interne Codex-Version auch für Unternehmenskunden bereitzustellen. SemiAnalysis nennt den daraus abgeleiteten möglichen Verlust von Nvidias CUDA-Vorsprung ausdrücklich als Einschätzung, nicht als bereits eingetretene Tatsache.
Wie der Chip selbst entstand, schilderten OpenAIs Hardware-Vizepräsident Richard Ho und sein Kollege Chris Leary dem Fachmagazin IEEE Spectrum, das am 14. September 2026 berichtete. Vom ersten Architekturkonzept bis zum ersten Silizium vergingen weniger als 20 Monate, vom ersten RTL-Code, der die Logik des Chips beschreibt, bis zur Übergabe an die Fertigung neun Monate. Das Team zählte im Schnitt weniger als 100 Personen; Broadcom übernahm das physische Design ab der Gatterebene.
Sprachmodelle halfen vor allem beim Frontend, der logischen Beschreibung des Chips. Das Team entwarf in XLS, einem ursprünglich bei Google entwickelten Werkzeug, das Code in Sprachen wie C++ in die Hardwarebeschreibungssprache Verilog übersetzt; mit solchem softwareähnlichem Code kamen die Modelle laut Leary besser zurecht. Anfangs half o3, gegen Ende Vorläufer von GPT-6 Astra; ein neueres Modell schreibe nach seinen Worten schon direkt Verilog. Dazu kamen laut Ho nicht öffentliche, auf Chipentwurf feinjustierte Modelle.
Als im Mai die ersten Chips aus der Fertigung kamen, ließ das Team interne Modelle die Software für Benchmarks schreiben. Im Benchmark für DeepSeeks MLA-Kernel stieg die Leistung so binnen rund 40 Stunden von 0,31 auf 88,94 Prozent des theoretischen Maximums; Ho nennt das wiederholbar. Beim physischen Design meldeten beide auf der Konferenz Hot Chips eine um 10 Prozent kleinere Fläche der Einheiten für Matrixmultiplikation als bei einer optimierten menschlichen Vorlage.
Die Werte zu Kernel und Chipfläche sind Angaben von OpenAI. Vollständig automatisieren lasse sich Chipentwurf nicht, betonen Ho und Leary; in der zweiten Generation soll KI stärker bei Verifikation und physischem Design helfen.
Aktualisiert am 15. September 2026.