แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบระบบสมอง

อธิบายการบูรณาการระดับเวเฟอร์ การสื่อสารบนเวเฟอร์ ความซ้ำซ้อน และรายละเอียดผลิตภัณฑ์ WSE-3 และ CS-4 เฉพาะเวอร์ชัน

เส้นทางแนะนำที่เกี่ยวข้องระบบสมอง
คำถาม 1 ของ 8

มีอะไรผิดปกติเกี่ยวกับการออกแบบเครื่องยนต์ Cerebras Wafer-Scale

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. มีอะไรผิดปกติเกี่ยวกับการออกแบบเครื่องยนต์ Cerebras Wafer-Scale
    • เป็นโปรเซสเซอร์ทั้งหมดที่สร้างขึ้นบนแผ่นเวเฟอร์ซิลิคอนเต็มรูปแบบเพียงแผ่นเดียว
    • มันเป็นชิป AI ที่เล็กที่สุดในโลก
    • มันทำงานโดยไม่มีไฟฟ้าเลย
    • มันทำจากพลาสติกแทนซิลิกอน
  2. เหตุใดการเก็บคอร์ทั้งหมดไว้ในเวเฟอร์เดียวจึงช่วยประสิทธิภาพของ AI
    • มันทำให้ชิปถูกกว่าในการจัดส่ง
    • ข้อมูลจะเคลื่อนที่ผ่านสายบนชิปที่รวดเร็ว แทนที่จะเป็นเครือข่ายภายนอกที่ช้า
    • ช่วยลดความจำเป็นในการใช้ซอฟต์แวร์ใดๆ
    • ช่วยให้ชิปลอยอยู่ในของเหลวได้
  3. WSE-3 มีทรานซิสเตอร์ประมาณกี่ตัว?
    • ประมาณ 4 พัน
    • ประมาณ 4 ล้าน
    • ประมาณ 4 ล้านล้าน
    • ประมาณ 4 ร้อย
  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. Cerebras จัดการกับข้อบกพร่องจากการผลิตบนชิปขนาดใหญ่เช่นนี้ได้อย่างไร
    • ใช้คอร์ที่ซ้ำซ้อนและการกำหนดเส้นทางเพื่อแก้ไขจุดที่มีข้อบกพร่อง
    • มันโยนแผ่นเวเฟอร์ทุกอันที่มีข้อบกพร่องออกไป
    • โดยไม่สนใจข้อบกพร่องและจัดส่งชิปที่เสียหาย
    • โดยจะซ่อมแซมทรานซิสเตอร์แต่ละตัวด้วยตนเอง
  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