Η Cerebras Systems είπε ότι έχει θέσει σε παραγωγή κατανεμημένα συμπεράσματα, διαχωρίζοντας τους φόρτους εργασίας συμπερασμάτων AI μεταξύ των συμβατικών GPU και των επεξεργαστών της σε κλίμακα wafer σε μια διαμόρφωση που η εταιρεία ισχυρίζεται ότι παρέχει πέντε φορές περισσότερα token ανά μεγαβάτ χωρίς να θυσιάζει την ταχύτητα παραγωγής.

Η ανακοίνωση, που δημοσιεύτηκε στο ιστολόγιο της εταιρείας στις 17 Νοεμβρίου 2026, σηματοδοτεί μια αξιοσημείωτη αλλαγή για μια εταιρεία που έχει περάσει χρόνια τοποθετώντας το Wafer Scale Engine της ως εναλλακτική λύση στο συμπέρασμα που βασίζεται σε GPU και όχι ως συμπλήρωμα σε αυτήν. Τώρα, η Cerebras λέει ότι οι GPU χειρίζονται το στάδιο της άμεσης επεξεργασίας ενώ τα δικά της συστήματα χειρίζονται το στάδιο της δημιουργίας διακριτικών. For more context on this story, see our ongoing AI trends.

Γιατί να χωρίσετε το συμπέρασμα στα δύο;

Το συμπέρασμα γίνεται σε δύο στάδια. Το Prefill επεξεργάζεται την προτροπή του χρήστη και παράγει μια ενδιάμεση κατάσταση μοντέλου. Στη συνέχεια, το Decode χρησιμοποιεί αυτή την κατάσταση για να δημιουργήσει διακριτικά εξόδου, ένα κάθε φορά, σε έναν αυτοπαλινδρομικό βρόχο που επαναλαμβάνεται για κάθε λέξη της απάντησης.

Τα δύο στάδια έχουν πολύ διαφορετικά υπολογιστικά προφίλ. Το Prefill είναι υπολογιστικό και παράλληλο, όπου οι GPU υπερέχουν. Η αποκωδικοποίηση είναι δεσμευμένη σε εύρος ζώνης μνήμης και διαδοχική, όπου η Cerebras υποστηρίζει ότι η αρχιτεκτονική της σε κλίμακα wafer έχει το πλεονέκτημα, καθώς ολόκληρο το μοντέλο μπορεί να τοποθετηθεί σε ένα μόνο κομμάτι πυριτίου χωρίς την επικοινωνία μεταξύ των τσιπ που επιβραδύνει τα συμπλέγματα GPU κατά τη διάρκεια της παραγωγής.

Η εταιρεία είχε πειραματιστεί με άλλους τρόπους διαχωρισμού του φόρτου εργασίας. Στην ανάρτησή του στο ιστολόγιο, το Cerebras παραθέτει σχέδια σχεδίων-στόχων, στα οποία ένα μικρό μοντέλο προτείνει διακριτικά και ένα μεγαλύτερο τα επαληθεύει, καθώς και διαχωρισμό προσοχής-FFN μεταξύ των εναλλακτικών που εξέτασε. Ωστόσο, υποστηρίζει ότι ο διαχωρισμός της προπλήρωσης από την αποκωδικοποίηση ταιριάζει μοναδικά σε εξαιρετικά διαδραστικές εφαρμογές, επειδή το στάδιο αποκωδικοποίησης διατηρεί ανέπαφες τις χαρακτηριστικές εξαιρετικά γρήγορες ταχύτητες παραγωγής της Cerebras.

Οι αριθμοί πίσω από την αξίωση

Σύμφωνα με την ανακοίνωση, η διαχωρισμένη διαμόρφωση είναι τώρα ζωντανή στο Cerebras Inference Cloud και παρέχει πέντε φορές περισσότερα διακριτικά ανά μεγαβάτ στις ίδιες ταχύτητες παραγωγής που εξυπηρετούσε ήδη η εταιρεία. Η Cerebras λέει ότι οι συνεργάτες υποδομής μπορούν επίσης να αναπτύξουν την ίδια split αρχιτεκτονική στα δικά τους κέντρα δεδομένων.

Η οικονομική λογική είναι ξεκάθαρη. Οι πάροχοι συμπερασμάτων κερδίζουν έσοδα ανά διακριτικό και η ισχύς είναι ο δεσμευτικός περιορισμός της χωρητικότητας. Εάν το ίδιο μεγαβάτ αποδίδει πενταπλάσιο από τα διακριτικά, η ίδια εγκατάσταση δημιουργεί αναλογικά περισσότερες δυνατότητες εσόδων, κάτι που η εταιρεία απεικονίζει με έναν πίνακα που συγκρίνει συγκεντρωτικές και χωριστές διαμορφώσεις υπηρεσιών.

Η ανακοίνωση βασίζεται επίσης στις προβλέψεις της ζήτησης για να υποστηρίξει ότι ο κλάδος χρειάζεται κάθε κέρδος αποδοτικότητας που μπορεί να λάβει. Επικαλούμενη την Goldman Sachs Research, η Cerebras λέει ότι η ζήτηση συμπερασμάτων AI προβλέπεται να αυξηθεί περίπου 24 φορές από τα επίπεδα του 2026 έως το 2030, ενώ η χωρητικότητα του κέντρου δεδομένων αυξάνεται μόνο περίπου 2,2 φορές την ίδια περίοδο. Εάν και οι δύο προβλέψεις ισχύουν, το χάσμα μεταξύ του τι θέλουν να τρέξουν οι χρήστες και των εγκαταστάσεων που μπορούν να τροφοδοτήσουν γίνεται ο καθοριστικός περιορισμός της δημιουργίας τεχνητής νοημοσύνης στα τέλη της δεκαετίας του 2020.

Agentic Applications Αυξάνουν το Crunch

Η εταιρεία αποδίδει την αύξηση της ζήτησης σε εφαρμογές που κλιμακώνονται γρήγορα το 2026, ονομάζοντας τα Muse, Copilot και Codex ως παραδείγματα προϊόντων που απαιτούν εξαιρετικά διαδραστικά συμπεράσματα για να διατηρήσουν την αφοσίωση των χρηστών. Οι συνομιλητές που μεταδίδουν απαντήσεις διακριτικό ανά διακριτικό είναι ακριβώς οι φόρτοι εργασίας όπου η ταχύτητα παραγωγής είναι μια δυνατότητα που αντιμετωπίζει ο χρήστης και όχι μια μέτρηση παρασκηνίου.

Το Cerebras τοποθετεί την εκτόξευση μέσα σε μια ώθηση ευρύτερης χωρητικότητας. Η εταιρεία επισημαίνει το πρόσφατα ανακοινωθέν σύστημα CS-4, μια δραματική κλιμάκωση της παραγωγής της και τη σχεδιαζόμενη χωρητικότητα του κέντρου δεδομένων περίπου 700 μεγαβάτ ως τα κομμάτια που θα επιτρέψουν σε αυτήν και τους συνεργάτες της να εξυπηρετήσουν σημαντικά περισσότερη κίνηση το 2027 και μετά.

Μια ρεαλιστική στροφή για κλίμακα γκοφρέτας

Στρατηγικά, η ανακοίνωση θεωρείται ως μια ρεαλιστική προσαρμογή της κυριαρχίας της GPU. Αντί να ζητά από τους πελάτες να μετακινήσουν ολόκληρους αγωγούς συμπερασμάτων σε εξωτικό πυρίτιο, η Cerebras προτείνει έναν καταμερισμό εργασίας: αφήστε τις GPU να κάνουν αυτό για το οποίο είναι βελτιστοποιημένες και αφήστε το υλικό σε κλίμακα wafer να κάνει ό,τι κάνει καλύτερα. Για τους παρόχους συμπερασμάτων που συμπιέζονται μεταξύ της αυξανόμενης ζήτησης και των περιορισμών ισχύος, το βήμα είναι η χωρητικότητα που μπορούν να προσθέσουν χωρίς να περιμένουν το υλικό νέας γενιάς.

Το αν η πενταπλάσια αξίωση απόδοσης ισχύει σε διάφορες αρχιτεκτονικές μοντέλων και μείξεις επισκεψιμότητας πραγματικού κόσμου θα γίνει σαφές μόνο όταν οι συνεργάτες αναπτύσσουν τη διαμόρφωση σε κλίμακα. Αλλά η κατεύθυνση του ταξιδιού είναι σαφής σε ολόκληρο τον κλάδο. Καθώς το συμπέρασμα αντικαθιστά την εκπαίδευση ως τον κυρίαρχο υπολογιστικό φόρτο εργασίας, κάθε μεγάλος προμηθευτής υλικού επανεξετάζει τον τρόπο με τον οποίο τα δύο στάδια παραγωγής πρέπει να χωριστούν, να τροφοδοτηθούν και να τιμολογηθούν.

Πώς συγκρίνεται με τις εγγενείς προσεγγίσεις GPU

Οι κύριοι πάροχοι συμπερασμάτων υπερκλίμακας έχουν ακολουθήσει τις δικές τους στρατηγικές διαχωρισμού, διατηρώντας συνήθως και τα δύο στάδια στις οικογένειες GPU συντονισμένα για κάθε σκοπό. Η παραλλαγή της Cerebras είναι χαρακτηριστική στη διέλευση των γραμμών πωλητών: η εταιρεία επιβεβαίωσε ότι οι GPU της AMD χειρίζονται το στάδιο προπλήρωσης στη διαμόρφωση παραγωγής της, με τα συστήματα Cerebras να είναι υπεύθυνα για την αποκωδικοποίηση. Αυτή η ετερογένεια έχει σημασία για τους χειριστές, επειδή αντιμετωπίζει την προπλήρωση και την αποκωδικοποίηση ως ξεχωριστά προμηθεύσιμα εμπορεύματα και όχι ως μια ενιαία ολοκληρωμένη στοίβα.

Τα δημοσιευμένα αποτελέσματα της εταιρείας τονίζουν ότι η διάσπαση διατηρεί την ταχύτητα παραγωγής αντί να την ανταλλάσσει για αποδοτικότητα. Αυτή η διάκριση απευθύνεται σε μια μακροχρόνια κριτική για την κατανεμημένη προβολή: η ομαδική προπλήρωση χωριστά μπορεί να προσθέσει λανθάνουσα κατάσταση στο πρώτο διακριτικό και οποιαδήποτε διαμόρφωση που επιβραδύνει τον βρόχο αποκωδικοποίησης υπονομεύει τη διαδραστική αίσθηση που πωλούν οι υπηρεσίες συμπερασμάτων premium. Η Cerebras ισχυρίζεται ότι η διευθέτησή της αποφεύγει και τις δύο ποινές, αν και ανεξάρτητοι δείκτες αναφοράς σε διάφορα μήκη και μοτίβα κυκλοφορίας θα είναι η πραγματική δοκιμασία.

Για τους αναγνώστες του AI Buzz Wire που παρακολουθούν τον αγώνα των υποδομών, το μήνυμα από την Cerebras είναι ότι η εποχή των συμπερασμάτων που χωρούν ένα chip δίνει τη θέση της σε ειδικά κατασκευασμένους αγωγούς — και ότι η εταιρεία σκοπεύει να αποκτήσει την αποκωδικοποίηση των μισών από αυτές.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →