Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο
Κουίζ για συστήματα εγκεφάλων
Εξηγεί την ενσωμάτωση σε κλίμακα πλακέτας, την επικοινωνία on-wafer, τον πλεονασμό και τις λεπτομέρειες προϊόντων WSE-3 και CS-4 για συγκεκριμένη έκδοση.
Ερώτηση 1 του 8
Τι είναι ασυνήθιστο σχετικά με τη σχεδίαση του Cerebras Wafer-Scale Engine;
Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις
Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.
- Τι είναι ασυνήθιστο σχετικά με τη σχεδίαση του Cerebras Wafer-Scale Engine;
- Είναι ένας ολόκληρος επεξεργαστής χτισμένος σε μια γκοφρέτα πλήρους πυριτίου
- Είναι το μικρότερο τσιπ AI στον κόσμο
- Λειτουργεί εντελώς χωρίς ρεύμα
- Είναι κατασκευασμένο από πλαστικό αντί για πυρίτιο
- Γιατί η διατήρηση όλων των πυρήνων σε ένα wafer βοηθά στην απόδοση της τεχνητής νοημοσύνης;
- Κάνει το τσιπ φθηνότερο στην αποστολή
- Τα δεδομένα μετακινούνται μέσω γρήγορων καλωδίων στο τσιπ αντί για αργή εξωτερική δικτύωση
- Εξαλείφει την ανάγκη για οποιοδήποτε λογισμικό
- Επιτρέπει στο τσιπ να επιπλέει σε υγρό
- Πόσα τρανζίστορ περίπου περιέχει το WSE-3;
- Περίπου 4 χιλιάδες
- Περίπου 4 εκατομμύρια
- Περίπου 4 τρισ
- Περίπου 4 εκατοντάδες
- 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
- Πώς αντιμετωπίζει η Cerebras τα κατασκευαστικά ελαττώματα σε ένα τόσο τεράστιο τσιπ;
- Χρησιμοποιεί περιττούς πυρήνες και δρομολόγηση για να αντιμετωπίσει ελαττωματικά σημεία
- Πετάει κάθε γκοφρέτα με οποιοδήποτε ελάττωμα
- Αγνοεί ελαττώματα και αποστέλλει σπασμένα τσιπ
- Επισκευάζει χειροκίνητα κάθε τρανζίστορ με το χέρι
- 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