Quiz dotyczący systemów Cerebras

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co jest niezwykłego w konstrukcji silnika w skali waflowej Cerebras?
   • To cały procesor zbudowany na jednej pełnej płytce krzemowej
   • To najmniejszy na świecie chip AI
   • Działa całkowicie bez prądu
   • Wykonany jest z tworzywa sztucznego zamiast silikonu
2. Dlaczego trzymanie wszystkich rdzeni na jednej płytce poprawia wydajność sztucznej inteligencji?
   • Dzięki temu wysyłka chipa jest tańsza
   • Dane przesyłane są szybkimi przewodami wbudowanymi w chip zamiast powolnej sieci zewnętrznej
   • Eliminuje potrzebę stosowania jakiegokolwiek oprogramowania
   • Pozwala chipowi unosić się w cieczy
3. Ile mniej więcej tranzystorów zawiera WSE-3?
   • Około 4 tys
   • Około 4 milionów
   • Około 4 bilionów
   • Około 4stu
4. 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
5. Jak Cerebras radzi sobie z wadami produkcyjnymi tak ogromnego chipa?
   • Wykorzystuje nadmiarowe rdzenie i routing, aby obejść wadliwe miejsca
   • Wyrzuca każdy wafelek z jakąkolwiek wadą
   • Ignoruje wady i wysyła uszkodzone żetony
   • Ręcznie naprawia każdy tranzystor
6. 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
7. 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
8. 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