Cerebras Systems က ကုမ္ပဏီမှ မျိုးဆက်အမြန်နှုန်းကို မထိခိုက်စေဘဲ မဂ္ဂါဝပ်တစ်ခုလျှင် တိုကင်ငါးဆ ပိုမိုထုတ်ပေးသည်ဟု သမားရိုးကျ GPU များနှင့် ၎င်း၏ wafer-စကေးပရိုဆက်ဆာများကြား AI inference workload ကို ပိုင်းခြားကာ ထုတ်လုပ်မှုတွင် တစ်စုတစ်စည်းတည်း ထည့်သွင်းထားကြောင်း Cerebras Systems မှ ပြောကြားခဲ့သည်။
2026 ခုနှစ် နိုဝင်ဘာလ 17 ရက်နေ့တွင် ကုမ္ပဏီ၏ဘလော့ဂ်တွင် ထုတ်ဝေခဲ့သော အဆိုပါကြေညာချက်သည် ၎င်း၏ Wafer Scale Engine ကို ဖြည့်စွက်ခြင်းထက် GPU-based inference ၏ အစားထိုးရွေးချယ်မှုအဖြစ် နှစ်ပေါင်းများစွာကြာအောင် နေရာချထားပေးခဲ့သော ကုမ္ပဏီအတွက် မှတ်သားဖွယ်ကောင်းသော အပြောင်းအလဲတစ်ခုဖြစ်သည်။ ယခု၊ Cerebras မှ GPU များသည် ၎င်း၏ကိုယ်ပိုင်စနစ်များသည် တိုကင်မျိုးဆက်အဆင့်ကို ကိုင်တွယ်စဉ်တွင် ချက်ခြင်းလုပ်ဆောင်ခြင်းအဆင့်ကို ကိုင်တွယ်သည်ဟု ဆိုသည်။ For more context on this story, see our ongoing artificial intelligence updates.
ဘာကြောင့် Inference ကို နှစ်ပိုင်းခွဲတာလဲ။
Inference သည် အဆင့်နှစ်ဆင့်ဖြင့် ဖြစ်ပေါ်လာသည်။ Prefill သည် အသုံးပြုသူ၏အမှာစာအား လုပ်ဆောင်ပြီး အလယ်အလတ်ပုံစံအနေအထားကို ထုတ်လုပ်သည်။ ထို့နောက် Decode သည် တုံ့ပြန်မှု၏ စကားလုံးတိုင်းအတွက် ထပ်ခါထပ်ခါဖြစ်စေသော autoregressive loop တစ်ခုတွင် တစ်ကြိမ်လျှင် တစ်ခု ထုတ်ပေးသည့် တိုကင်များကို ထုတ်လုပ်ရန် ထိုအခြေအနေကို အသုံးပြုသည်။
အဆင့်နှစ်ဆင့်တွင် အလွန်ကွဲပြားခြားနားသော ကွန်ပျူတာပရိုဖိုင်များရှိသည်။ Prefill သည် ကွန်ပြူတာ လေးလံပြီး မျဉ်းပြိုင်ဖြစ်ပြီး၊ ၎င်းသည် GPU များသာလွန်သည်။ Decode သည် memory-bandwidth-bound နှင့် sequential ဖြစ်ပြီး၊ ၎င်းမှာ Cerebras မှ ၎င်း၏ wafer-scale တည်ဆောက်မှုတွင် အားသာချက်ရှိသည်ဟု စောဒကတက်ထားသောကြောင့် မော်ဒယ်တစ်ခုလုံးသည် GPU အစုအဝေးများကို နှေးကွေးစေသည့် inter-chip ဆက်သွယ်မှုမပါဘဲ ဆီလီကွန်တစ်ခုပေါ်တွင် ထိုင်နိုင်သောကြောင့် ဖြစ်သည်။
ကုမ္ပဏီသည် အလုပ်ဝန်အားခွဲခြမ်းရန် အခြားနည်းလမ်းများဖြင့် စမ်းသပ်ခဲ့သည်။ ၎င်း၏ဘလော့ဂ်ပို့စ်တွင်၊ Cerebras သည် မူကြမ်း-ပစ်မှတ်အစီအမံများကို စာရင်းပြုစုထားပြီး၊ မော်ဒယ်ငယ်တစ်ခုက တိုကင်များကို အဆိုပြုကာ ကြီးမားသောတစ်ခုက ၎င်းတို့ကို အတည်ပြုပေးပြီး ၎င်းကိုထည့်သွင်းစဉ်းစားသည့် အခြားရွေးချယ်စရာများအကြား အာရုံစူးစိုက်မှု-FFN ခွဲခြားထားသည်။ သို့သော် decode အဆင့်သည် Cerebras ၏ အမှတ်အသားဖြစ်သော ultrafast generation speeds ကို မပျက်မစီး ထိန်းသိမ်းထားသောကြောင့် အလွန်ကောင်းမွန်သော အပြန်အလှန်အကျိုးပြုသော အက်ပ်လီကေးရှင်းများနှင့် အထူးသင့်လျော်ကြောင်း ၎င်းက ငြင်းဆိုထားသည်။
တောင်းဆိုမှုနောက်ကွယ်တွင် နံပါတ်များ
ကြေညာချက်အရ၊ ခွဲထွက်ထားသောဖွဲ့စည်းပုံသည် ယခုအခါ Cerebras Inference Cloud တွင်နေထိုင်နေပြီး ကုမ္ပဏီကဆောင်ရွက်ပေးနေပြီဖြစ်သော မျိုးဆက်အမြန်နှုန်းဖြင့် မီဂါဝပ်တစ်မဂ္ဂါဝပ်လျှင် တိုကင်ငါးဆပိုမိုထုတ်ပေးပါသည်။ အခြေခံအဆောက်အဦလုပ်ဖော်ကိုင်ဖက်များသည် ၎င်းတို့၏ကိုယ်ပိုင်ဒေတာစင်တာများတွင် တူညီသောခွဲခြမ်းဗိသုကာကို အသုံးချနိုင်သည်ဟု Cerebras မှပြောကြားခဲ့သည်။
စီးပွားရေးယုတ္တိက ရှင်းပါတယ်။ အနုမာနပံ့ပိုးပေးသူများသည် တိုကင်တစ်ခုလျှင် ဝင်ငွေရရှိကြပြီး ပါဝါသည် စွမ်းဆောင်ရည်အပေါ် ကန့်သတ်ချုပ်ချယ်မှုဖြစ်သည်။ တူညီသော မဂ္ဂါဝပ်သည် တိုကင်ငါးဆကို ထုတ်ပေးပါက၊ တူညီသောစက်ရုံသည် ပေါင်းစည်းထားသော ဝန်ဆောင်မှုပုံစံများကို နှိုင်းယှဉ်ထားသော ဇယားတစ်ခုဖြင့် ကုမ္ပဏီက သရုပ်ဖော်ထားသည့် တူညီသော ဝင်ငွေအလားအလာကို အချိုးကျစွာ ထုတ်ပေးပါသည်။
အဆိုပါ ကြေညာချက်သည် စက်မှုလုပ်ငန်းသည် ၎င်းရရှိနိုင်သည့် ထိရောက်မှုရရှိမှုတိုင်းကို လိုအပ်ကြောင်း ငြင်းခုံရန် ၀ယ်လိုအား ခန့်မှန်းချက်များကို ကိုးကားထားသည်။ Goldman Sachs သုတေသနကို ကိုးကား၍ Cerebras မှ ပြောကြားသည်မှာ AI အနုမာနဝယ်လိုအားသည် 2030 ခုနှစ်တွင် 2026 အဆင့်မှ 24 ဆ တိုးလာမည်ဟု ခန့်မှန်းရပြီး data center စွမ်းရည်သည် အလားတူကာလထက် 2.2 ဆခန့်သာ တိုးလာသည်ဟု ဆိုသည်။ ခန့်မှန်းချက်နှစ်ခုစလုံးကို ထိန်းထားနိုင်လျှင် အသုံးပြုသူများ လည်ပတ်လိုသည့်အရာနှင့် စွမ်းအင်ပေးနိုင်သည့် အထောက်အကူပစ္စည်းများအကြား ကွာဟမှုသည် 2020 ခုနှစ်နှောင်းပိုင်း AI တည်ဆောက်မှု၏ ကန့်သတ်ချက်ဖြစ်လာသည်။
Agentic Applications များသည် Crunch ကို တွန်းအားပေးသည်။
ကုမ္ပဏီသည် 2026 ခုနှစ်တွင် လျင်မြန်စွာ ချဲ့ထွင်လာသော အေးဂျင့်အက်ပလီကေးရှင်းများ၏ ၀ယ်လိုအား မြင့်တက်လာခြင်းကို ရည်ညွှန်းပြီး Muse၊ Copilot နှင့် Codex တို့ကို သုံးစွဲသူများ ထိတွေ့ဆက်ဆံနိုင်ရန် လွန်စွာအပြန်အလှန်တုံ့ပြန်မှုလိုအပ်သော ထုတ်ကုန်နမူနာများအဖြစ် သတ်မှတ်သည်။ တိုကင်ဖြင့် တုံ့ပြန်မှုများကို တိုကင်ဖြင့် တိုက်ရိုက်ထုတ်လွှင့်သော စကားဝိုင်းအေးဂျင့်များသည် မျိုးဆက်အမြန်နှုန်းသည် back-end မက်ထရစ်ထက် အသုံးပြုသူရင်ဆိုင်ရသည့် အင်္ဂါရပ်ဖြစ်သည့် တိကျစွာလုပ်ဆောင်ရမည့် အလုပ်များဖြစ်သည်။
Cerebras သည် ပစ်လွှတ်မှုကို ပိုမိုကျယ်ပြန့်သော တွန်းအားတစ်ခုအတွင်း တည်ရှိသည်။ ကုမ္ပဏီသည် ၎င်း၏ မကြာသေးမီက ကြေညာခဲ့သော CS-4 စနစ်၊ ၎င်း၏ ကုန်ထုတ်လုပ်မှုကို သိသိသာသာ ချဲ့ထွင်ကာ၊ ၎င်းနှင့် ၎င်း၏ လုပ်ဖော်ကိုင်ဖက်များသည် 2027 နှင့် ၎င်းထက်ပိုသော လမ်းကြောင်းများကို သိသိသာသာ ဝန်ဆောင်မှုပေးနိုင်သည့် အပိုင်းများအဖြစ် အကြမ်းဖျင်း 700 မဂ္ဂါဝပ် ဒေတာစင်တာ စွမ်းဆောင်ရည်ကို စီစဉ်ထားပါသည်။
Wafer-စကေးအတွက် လက်တွေ့ကျသောအလှည့်
ဗျူဟာအရ၊ ကြေညာချက်သည် GPU လွှမ်းမိုးမှု၏ လက်တွေ့ကျသော နေရာထိုင်ခင်းတစ်ခုအဖြစ် ဖတ်သည်။ အနုမာနပိုက်လိုင်းများအားလုံးကို ထူးခြားဆန်းပြားဆီလီကွန်ပေါ်သို့ ရွှေ့ခိုင်းမည့်အစား၊ Cerebras သည် လုပ်အားခွဲဝေပေးရန် အဆိုပြုနေသည်- GPU များသည် ၎င်းတို့အတွက် အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ခွင့်ပြုပြီး wafer-scale hardware သည် အကောင်းဆုံးလုပ်ဆောင်နိုင်စေမည်ဖြစ်သည်။ တစ်ဟုန်ထိုး ၀ယ်လိုအားနှင့် ပါဝါကန့်သတ်ချက်များကြားတွင် အခက်တွေ့နေသော အနုမာနပံ့ပိုးပေးသူများအတွက်၊ မျိုးဆက်သစ် ဟာ့ဒ်ဝဲကို မစောင့်ဘဲ ၎င်းတို့ထည့်နိုင်သော စွမ်းရည်ဖြစ်သည်။
မတူကွဲပြားသော မော်ဒယ်ဗိသုကာလက်ရာများနှင့် လက်တွေ့ကမ္ဘာအသွားအလာ ပေါင်းစပ်မှုများတွင် ထိရောက်မှုအရေးဆိုချက်သည် ပါတနာများက အတိုင်းအတာတစ်ခုအထိ ထည့်သွင်းထားသောကြောင့် ထိရောက်မှုငါးဆ တောင်းဆိုမှုမှာ ရှင်းရှင်းလင်းလင်းဖြစ်လာမည်ဖြစ်သည်။ ဒါပေမယ့် ခရီးသွားလုပ်ငန်းရဲ့ ဦးတည်ချက်က လုပ်ငန်းခွင်မှာ ရှင်းပါတယ်။ အနုမာနသည် လေ့ကျင့်ရေးကို လွှမ်းမိုးကြီးစိုးသော တွက်ချက်မှုလုပ်ငန်းတာဝန်အဖြစ် အစားထိုးလိုက်သည်နှင့်အမျှ၊ အဓိက ဟာ့ဒ်ဝဲရောင်းချသူတိုင်းသည် မျိုးဆက်နှစ်ခုကို မည်သို့ခွဲခြမ်း၊ စွမ်းအားနှင့် စျေးနှုန်းသင့်သည်တို့ကို ပြန်လည်ဆန်းစစ်နေပါသည်။
၎င်းသည် GPU-Native ချဉ်းကပ်နည်းများနှင့် နှိုင်းယှဉ်နည်း
အဓိက hyperscale အနုမာနပံ့ပိုးပေးသူများသည် ၎င်းတို့၏ကိုယ်ပိုင်ခွဲထွက်ရေးဗျူဟာများကို လိုက်လျှောက်ကြပြီး ရည်ရွယ်ချက်တစ်ခုစီအတွက် GPU မိသားစုများပေါ်တွင် အဆင့်နှစ်ခုလုံးကို ထားရှိလေ့ရှိသည်။ Cerebras ၏မူကွဲသည် ရောင်းသူလိုင်းများဖြတ်ကျော်ရာတွင် ထူးခြားသည်- AMD GPU များသည် ၎င်း၏ထုတ်လုပ်မှုပုံစံတွင် ဖြည့်စွက်အဆင့်ကို Cerebras စနစ်ဖြင့် ကုဒ်ဖွင့်ရန် တာဝန်ရှိကြောင်း ကုမ္ပဏီက အတည်ပြုခဲ့သည်။ ၎င်းသည် ပေါင်းစည်းထားသော အစုအစည်းတစ်ခုထက် သီးခြားဝယ်ယူ၍ရနိုင်သော ကုန်စည်များအဖြစ် သတ်မှတ်ပေးသောကြောင့် ၎င်းသည် အော်ပရေတာများအတွက် အရေးကြီးပါသည်။
ကုမ္ပဏီ၏ထုတ်ဝေမှုရလဒ်များသည် ထိရောက်မှုအတွက် ရောင်းဝယ်ဖောက်ကားခြင်းထက် မျိုးဆက်အမြန်နှုန်းကို ထိန်းသိမ်းထားကြောင်း အလေးပေးဖော်ပြသည်။ ဤထူးခြားချက်သည် ခွဲခြမ်းထားသော ဝန်ဆောင်မှုပေးခြင်းအပေါ် ကာလရှည်ကြာ ဝေဖန်မှုကို ကိုင်တွယ်ဖြေရှင်းသည်- အစုလိုက်အကြိုဖြည့်စွက်ခြင်းသည် သီးခြားပထမတိုကင်သို့ latency ပေါင်းထည့်နိုင်ပြီး၊ ပရီမီယံ အနုမာန ဝန်ဆောင်မှုများရောင်းချသည့် တုံ့ပြန်ဆောင်ရွက်မှုကို နှေးကွေးစေသည့် မည်သည့်ဖွဲ့စည်းမှုပုံစံကမဆို ပျက်ပြားစေသည်။ Cerebras က ၎င်း၏အစီအစဉ်သည် ပင်နယ်တီနှစ်ခုလုံးကို ရှောင်ရှားသည်ဟု ဆိုသည်၊ သို့သော် မတူညီသောအချက်ပြအရှည်များနှင့် ယာဉ်ကြောပုံစံများတစ်လျှောက် လွတ်လပ်သောစံနှုန်းများသည် တကယ့်စမ်းသပ်မှုဖြစ်လိမ့်မည်။
အခြေခံအဆောက်အဦပြိုင်ပွဲကိုခြေရာခံသည့် AI Buzz Wire စာဖတ်သူများအတွက် Cerebras မှသတင်းစကားမှာ one-chip-fits-all inference ခေတ်သည် ရည်ရွယ်ချက်ဖြင့်တည်ဆောက်ထားသောပိုက်လိုင်းများဆီသို့နည်းလမ်းပေးနေပြီး ကုမ္ပဏီသည် ၎င်းတို့အနက်မှတစ်ဝက်ကို decode လုပ်ရန်ရည်ရွယ်ထားကြောင်း သိရသည်။
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →