Cerebras Systems заявила, что внедрила в производство дезагрегированный вывод, разделив рабочие нагрузки искусственного интеллекта между обычными графическими процессорами и процессорами масштаба пластины в конфигурации, которая, по утверждению компании, обеспечивает в пять раз больше токенов на мегаватт без ущерба для скорости генерации.
Объявление, опубликованное в блоге компании 17 ноября 2026 года, знаменует собой заметный сдвиг для компании, которая годами позиционировала свой Wafer Scale Engine как альтернативу логическому выводу на основе графического процессора, а не как дополнение к нему. Теперь Cerebras заявляет, что графические процессоры выполняют этап обработки запросов, а его собственные системы — этап генерации токенов. Подробнее об этой истории — в нашем новости об ИИ.
Зачем разделять вывод на две части?
Вывод происходит в два этапа. Предварительное заполнение обрабатывает приглашение пользователя и создает промежуточное состояние модели. Затем Decode использует это состояние для генерации выходных токенов по одному в цикле авторегрессии, который повторяется для каждого слова ответа.
Эти два этапа имеют очень разные вычислительные профили. Предварительное заполнение требует больших вычислительных ресурсов и является параллельным, и в этом графические процессоры превосходны. Декодирование ограничено полосой пропускания памяти и является последовательным, и именно в этом Cerebras утверждает, что его архитектура масштаба пластины имеет преимущество, поскольку вся модель может располагаться на одном кристалле без межчиповой связи, которая замедляет работу кластеров графических процессоров во время генерации.
Компания экспериментировала с другими способами разделения рабочей нагрузки. В своем сообщении в блоге Cerebras перечисляет схемы «черновик-цель», в которых маленькая модель предлагает токены, а более крупная проверяет их, а также разделение внимания и FFN среди рассматриваемых альтернатив. Но они утверждают, что отделение предварительного заполнения от декодирования уникально подходит для высокоинтерактивных приложений, поскольку этап декодирования сохраняет фирменную сверхбыструю скорость генерации Cerebras.
Цифры, стоящие за иском
Согласно объявлению, дезагрегированная конфигурация теперь доступна в облаке Cerebras Inference Cloud и обеспечивает в пять раз больше токенов на мегаватт при тех же скоростях генерации, которые уже обслуживала компания. Cerebras утверждает, что партнеры по инфраструктуре также могут развернуть ту же разделенную архитектуру в своих собственных центрах обработки данных.
Экономическая логика проста. Поставщики логических выводов получают доход за каждый токен, а мощность является обязательным ограничением мощности. Если тот же мегаватт приносит в пять раз больше токенов, тот же объект генерирует пропорционально больший потенциал дохода, что компания иллюстрирует с помощью таблицы, сравнивающей агрегированные и дезагрегированные конфигурации обслуживания.
Это заявление также опирается на прогнозы спроса, утверждая, что отрасли необходимо любое повышение эффективности, которое она может получить. Ссылаясь на исследование Goldman Sachs, Церебрас говорит, что к 2030 году спрос на выводы ИИ, по прогнозам, вырастет примерно в 24 раза по сравнению с уровнями 2026 года, в то время как мощность центров обработки данных вырастет лишь примерно в 2,2 раза за тот же период. Если оба прогноза подтвердятся, разрыв между тем, что пользователи хотят использовать, и тем, какие объекты могут обеспечить мощность, станет определяющим ограничением развития ИИ в конце 2020-х годов.
Агентские приложения стимулируют кризис
Компания объясняет всплеск спроса быстрым масштабированием агентских приложений в 2026 году, называя Muse, Copilot и Codex примерами продуктов, которые требуют высокоинтерактивного вывода для поддержания активности пользователей. Диалоговые агенты, передающие ответы токен за токеном, представляют собой именно те рабочие нагрузки, в которых скорость генерации является функцией, ориентированной на пользователя, а не внутренним показателем.
Cerebras рассматривает запуск в рамках более широкого расширения мощностей. Компания указывает на недавно анонсированную систему CS-4, резкое увеличение объемов производства и запланированную мощность центра обработки данных примерно в 700 мегаватт как на элементы, которые позволят ей и ее партнерам обслуживать значительно больше трафика в 2027 году и в последующий период.
Прагматичный поворот к масштабам пластин
Со стратегической точки зрения это объявление воспринимается как прагматическое соглашение о доминировании графического процессора. Вместо того, чтобы просить клиентов перенести целые конвейеры вывода на экзотический кремний, Cerebras предлагает разделение труда: позволить графическим процессорам делать то, для чего они оптимизированы, и позволить аппаратным средствам масштаба пластины делать то, что они умеют лучше всего. Для поставщиков логических выводов, зажатых между растущим спросом и ограничениями по мощности, основным моментом является мощность, которую они могут добавить, не дожидаясь появления оборудования нового поколения.
Справедливо ли заявление о пятикратной эффективности в различных модельных архитектурах и реальных сочетаниях трафика, станет ясно только по мере того, как партнеры развернут конфигурацию в большом масштабе. Но направление движения по всей отрасли ясно. Поскольку логический вывод заменяет обучение в качестве доминирующей вычислительной нагрузки, каждый крупный поставщик оборудования пересматривает, как следует разделить два этапа генерации, обеспечить их питание и оценить их стоимость.
Чем он отличается от подходов, основанных на GPU
Крупнейшие поставщики гипермасштабных логических выводов реализуют свои собственные стратегии дезагрегирования, обычно сохраняя оба этапа в семействах графических процессоров настроенными для каждой цели. Вариант Cerebras отличается пересечением линий поставщиков: компания подтвердила, что графические процессоры AMD выполняют этап предварительного заполнения в ее производственной конфигурации, а системы Cerebras отвечают за декодирование. Эта неоднородность важна для операторов, поскольку она рассматривает предварительное заполнение и декодирование как отдельно приобретаемые товары, а не как единый интегрированный стек.
Опубликованные результаты компании подчеркивают, что разделение сохраняет скорость генерации, а не жертвует ею ради эффективности. Это различие направлено на устранение давней критики дезагрегированного обслуживания: отдельное пакетное заполнение может увеличить задержку для первого токена, а любая конфигурация, замедляющая цикл декодирования, подрывает ощущение интерактивности, которое продают услуги вывода премиум-класса. Cerebras утверждает, что ее схема позволяет избежать обоих штрафов, хотя настоящим испытанием станут независимые тесты с различной длиной запросов и структурами трафика.
Читателям AI Buzz Wire, следящим за инфраструктурной гонкой, Cerebras сообщает, что эпоха универсальных выводов уступает место специально построенным конвейерам — и что компания намерена владеть декодирующей половиной из них.
---
Будьте в курсе ИИПоследние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.
Читать больше новостей об ИИ →