Kvíz spojený s průvodcem · Střední úroveň
Systémový kvíz Cerebras
Vysvětluje integraci wafer-scale, komunikaci na waferu, redundanci a podrobnosti o produktech WSE-3 a CS-4 specifické pro verzi.
Otázka 1 z 8
Co je neobvyklého na konstrukci Cerebras Wafer-Scale Engine?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co je neobvyklého na konstrukci Cerebras Wafer-Scale Engine?
- Je to celý procesor postavený na jediném křemíkovém plátku
- Je to nejmenší AI čip na světě
- Jede zcela bez elektřiny
- Je vyrobena z plastu místo křemíku
- Proč udržení všech jader na jednom waferu pomáhá výkonu umělé inteligence?
- Díky tomu je doprava čipu levnější
- Data se přesouvají přes rychlé dráty na čipu namísto pomalého externího síťového připojení
- To eliminuje potřebu jakéhokoli softwaru
- Umožňuje čipu plavat v kapalině
- Kolik tranzistorů zhruba obsahuje WSE-3?
- Cca 4tis
- Asi 4 miliony
- Asi 4 biliony
- Asi 4 stovky
- What is one Cerebras system-level capability advertised for its CS-4 rack-scale system?
- It uses only a single CPU and no AI accelerator
- It replaces every model with a database
- It guarantees the same speedup on every workload
- It combines multiple wafer-scale processors in a rack-scale platform
- Jak se Cerebras vypořádá s výrobními vadami na tak obrovském čipu?
- Využívá redundantní jádra a směrování k obcházení vadných míst
- Vyhodí každou oplatku s jakoukoli chybou
- Ignoruje vady a posílá rozbité třísky
- Ručně opravuje každý tranzistor ručně
- What are the WSE-3 specifications Cerebras reports in its product materials?
- Four billion transistors and 900 cores
- Four trillion transistors and about 900,000 AI-optimized cores
- One thousand transistors and one million CPU sockets
- A fixed count of parameters for every model
- How can a wafer-scale processor route around manufacturing defects?
- Assume every fabricated core is perfect
- Move all computation to a hard drive
- Use redundant cores and routing so defective regions can be bypassed
- Rebuild the silicon after deployment
- Why can on-wafer memory and communication benefit some AI workloads?
- They eliminate every computation bottleneck
- They make all models fit in one core
- They guarantee lower latency for every task
- They can reduce data movement between separately packaged processors and memory