Cerebras CS-4 startet mit WSE-3 Turbo: KI-Inferenz im Rack-Maßstab mit 30-facher GPU-Geschwindigkeit

Cerebras hat den CS-4, ein KI-Inferenzsystem im Rack-Maßstab, das auf seinem neuen Wafer-Prozessor WSE-3 Turbo basiert, enthüllt und behauptet, die Maschine liefere bis zu 30-mal schnellere Inferenzen als GPU-basierte Systeme, da sich das Unternehmen als Geschwindigkeitsalternative zum Rechenzentrumsimperium von Nvidia positioniert.

Der am Dienstag angekündigte und auf den Produktseiten des Unternehmens ausführlich beschriebene Start sowie eine Welle der Berichterstattung von Reuters, Bloomberg und The Register markiert die bedeutendste Hardware-Aktualisierung von Cerebras seit dem Börsengang – und einen entscheidenden Moment für ein Unternehmen, dessen Aktien seit dem Börsengang Probleme haben. Die Anleger scheinen aufmerksam zu sein: Die Aktien von Cerebras (CBRS) stiegen aufgrund der Nachrichten stark an, und Investor's Business Daily zitierte einen CEO-Kommentar, wonach der KI-Inferenzmarkt „so schnell wächst“.

Für Leser, die den immer schneller werdenden Wettlauf verfolgen, KI-Modelle schneller reagieren zu lassen, ist die Markteinführung von CS-4 eine der folgenreichsten Hardware-Geschichten des Quartals und sie fällt inmitten umfassenderer Veränderungen in der Berichterstattung über die KI-Branche, die die Computerlandschaft weiterhin umgestalten.

Was ist im CS-4?

Die Hauptkomponente ist der WSE-3 Turbo, eine verbesserte Version der tellergroßen Wafer Scale Engine von Cerebras. Laut dem technischen Deep Dive von The Register handelt es sich beim WSE-3T nicht um neues Silizium – er verfügt über den gleichen TSMC 5-nm-Prozess, 46.225 Quadratmillimeter Die-Fläche, 4 Billionen Transistoren, 900.000 Kerne und 44 GB On-Wafer-SRAM wie der zwei Jahre alte WSE-3.

Stattdessen erreichte Cerebras seine Leistungsverdoppelung, indem es den vorhandenen Chip deutlich stärker belastete. Der WSE-3T verdoppelt die spärliche FP16-Rechenleistung auf 250 PetaFLOPS, verdoppelt die dichte FP16-Leistung auf geschätzte 25 PetaFLOPS, verdoppelt die Speicherbandbreite auf 43,2 Petabyte pro Sekunde und verdoppelt die I/O-Bandbreite auf 2,4 Terabit pro Sekunde. Das Register schätzt, dass das Unternehmen das Silizium jetzt mit etwa 2,8 GHz taktet, gegenüber etwa 1,4 GHz in der vorherigen Generation.

Der Trick ist laut Cerebras ein neu gestaltetes Stromversorgungssystem, das nur 0,5 Millimeter vom Prozessor entfernt sitzt – etwa 100-mal näher als die für herkömmliche GPU-Boards typischen ~50 Millimeter. Durch diese Nähe wird der Leistungsverlust auf Platinenebene nahezu eliminiert und es kann doppelt so viel Strom zum Wafer gelangen, wodurch höhere Betriebsfrequenzen für eine schnellere Token-Generierung ermöglicht werden.

Die Nexus-Rack-Architektur

Über den Chip selbst hinaus führt der CS-4 das ein, was Cerebras die Nexus-Plattform-Architektur nennt, sein erstes echtes Rack-Scale-Design und eine direkte Antwort auf Nvidias NVL72 und AMDs Helios-Racksysteme. Jeder CS-4 kann bis zu drei WSE-3T-Prozessoren tragen, die in eigenständigen „Wafer-Scale-Rucksäcken“ untergebracht sind – 3D-Pakete, die den Wafer falten, Stromumwandlung, direkte Flüssigkeitskühlung, Hochgeschwindigkeits-I/O und Steuerelektronik in einer einzigen Baugruppe mit 50 % weniger Komponenten vereinen.

Das modulare Design trennt die stabile Stromversorgungs-, Kühlungs- und Netzwerkschicht von der Rechenleistung. Ein Cerebras PowerRack kann installiert und für die Einrichtung qualifiziert werden, bevor Computer eintreffen, und die Rucksäcke werden dann an ihren Platz geschoben, wodurch sich die Bereitstellungszeit nach Angaben des Unternehmens von Tagen auf Stunden verkürzt.

Der Stromverbrauch ist erheblich. Das Register schätzt etwa 46 kW pro Rucksack und einen Gesamtsystemverbrauch von 120 bis 140 kW – auffällige Zahlen, die angesichts der 240 bis 250 kW-Rack-Systeme, die AMD und Nvidia voraussichtlich noch in diesem Jahr ausliefern, dennoch konservativ wirken.

Den Schalter töten

Die vielleicht technisch interessanteste Wahl ist die Verbindung. Anstatt den Wafer-zu-Wafer-Verkehr über Switches zu leiten – den Ansatz, den AWS für seine Trainium3-Beschleuniger gewählt hat – verdrahtet Cerebras seine Chips in einer 2D-Torus-Topologie, in der benachbarte Wafer direkt miteinander kommunizieren. Das Design reduziert die Wafer-zu-Wafer-Latenz von fünf Mikrosekunden auf nur zwei, und Cerebras sagt, dass das Netz Modelle mit bis zu 50 Billionen Parametern unterstützen kann, deutlich mehr als alles, was derzeit existiert.

Die Geschwindigkeitsergebnisse sind beeindruckend. Auf einem einzelnen CS-4-System hat das Benchmarking-Unternehmen Artificial Analysis auf gpt-oss-120b bis zu 4.400 Token pro Sekunde und Benutzer gemessen – etwa das Zwölffache der ~350 Token pro Sekunde der schnellsten heute verfügbaren GPU-basierten Inferenzdienste. Cerebras behauptet außerdem, dass das System bei Modellen mit mehr als 10 Billionen Parametern mehr als 1.000 Token pro Sekunde unterstützt.

Eine disaggregierte Partnerschaftsstrategie

Insbesondere versucht Cerebras nicht mehr, die gesamte Inferenzpipeline auf seinem eigenen Silizium zu betreiben. Das Unternehmen hat sich mit AWS und AMD zusammengetan, um die rechenintensive Prompt-Processing-Phase der Inferenz auf Trainium-XPUs bzw. Instinct-GPUs zu verlagern, sodass die Wafer-Scale-Engines die latenzempfindliche Decodierungsphase übernehmen müssen, in der ihre massiven SRAM-Reserven glänzen.

Der CS-4-Start erweitert auch die Zusammenarbeit von Cerebras mit OpenAI. Yahoo Finance berichtete von der Enthüllung zusammen mit neuen OpenAI- und AMD-Partnerschaften, die darauf abzielen, die KI-Inferenz zu beschleunigen – aufbauend auf dem Ultrafast-Modus, den die Unternehmen Anfang August eingeführt hatten und der den Nutzern GPT-5.6 Sol mit bis zu 750 Token pro Sekunde zur Verfügung stellte.

Vorbehalte hinter den Schlagzeilen

Branchenanalysten mahnen zur Vorsicht bei den Marketingzahlen. Das Register weist darauf hin, dass Cerebras‘ Schlagzeile von 250 PetaFLOPS auf Sparsity beruht, was der Inferenz großer Sprachmodelle im Allgemeinen nicht zugute kommt, und dass die Spitzenwerte der Speicherbandbreite weitgehend theoretisch sind, da dem WSE-3 die Rechenleistung fehlte, um seinen eigenen SRAM zu sättigen. Die Veröffentlichung stellte auch die Frage, warum Cerebras die Leistung verdoppelte, anstatt die SRAM-Kapazität zu erhöhen, die seit der Einführung des WSE-2 vor fünf Jahren nicht nennenswert gewachsen ist – eine merkwürdige Wahl in einer Zeit disaggregierter Schlussfolgerungen, in der Dekodierbeschleuniger am meisten vom Speicher profitieren.

Dennoch ist die Marktchance real. Da KI-Chatbots und -Agenten immer schnellere Reaktionszeiten erfordern, ist die Inferenzgeschwindigkeit zu einem echten Wettbewerbsvorteil geworden, und Cerebras hat nun bewiesen, dass es seine unkonventionelle Wafer-Scale-Technologie in einem kommerziellen Rhythmus iterieren kann.

Die ersten CS-4-Auslieferungen beginnen in diesem Quartal. Die ersten Systeme werden voraussichtlich noch vor Ende September online gehen. Ob das ausreicht, um die Dominanz von Nvidia einzudämmen, bleibt abzuwarten – aber zum ersten Mal seit langem hat die schnellste KI-Inferenz der Branche eine neue Adresse.

Bleiben Sie der KI immer einen Schritt voraus

Hardware-Neueinführungen wie der CS-4 bewegen Märkte und definieren neu, was KI-Systeme leisten können. Lesen Sie weitere KI-Neuigkeiten, um über alle Entwicklungen auf dem Laufenden zu bleiben.

Entdecken Sie die neueste KI-Berichterstattung →