แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบระบบสมอง
อธิบายการบูรณาการระดับเวเฟอร์ การสื่อสารบนเวเฟอร์ ความซ้ำซ้อน และรายละเอียดผลิตภัณฑ์ WSE-3 และ CS-4 เฉพาะเวอร์ชัน
คำถาม 1 ของ 8
มีอะไรผิดปกติเกี่ยวกับการออกแบบเครื่องยนต์ Cerebras Wafer-Scale
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- มีอะไรผิดปกติเกี่ยวกับการออกแบบเครื่องยนต์ Cerebras Wafer-Scale
- เป็นโปรเซสเซอร์ทั้งหมดที่สร้างขึ้นบนแผ่นเวเฟอร์ซิลิคอนเต็มรูปแบบเพียงแผ่นเดียว
- มันเป็นชิป AI ที่เล็กที่สุดในโลก
- มันทำงานโดยไม่มีไฟฟ้าเลย
- มันทำจากพลาสติกแทนซิลิกอน
- เหตุใดการเก็บคอร์ทั้งหมดไว้ในเวเฟอร์เดียวจึงช่วยประสิทธิภาพของ AI
- มันทำให้ชิปถูกกว่าในการจัดส่ง
- ข้อมูลจะเคลื่อนที่ผ่านสายบนชิปที่รวดเร็ว แทนที่จะเป็นเครือข่ายภายนอกที่ช้า
- ช่วยลดความจำเป็นในการใช้ซอฟต์แวร์ใดๆ
- ช่วยให้ชิปลอยอยู่ในของเหลวได้
- WSE-3 มีทรานซิสเตอร์ประมาณกี่ตัว?
- ประมาณ 4 พัน
- ประมาณ 4 ล้าน
- ประมาณ 4 ล้านล้าน
- ประมาณ 4 ร้อย
- 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
- Cerebras จัดการกับข้อบกพร่องจากการผลิตบนชิปขนาดใหญ่เช่นนี้ได้อย่างไร
- ใช้คอร์ที่ซ้ำซ้อนและการกำหนดเส้นทางเพื่อแก้ไขจุดที่มีข้อบกพร่อง
- มันโยนแผ่นเวเฟอร์ทุกอันที่มีข้อบกพร่องออกไป
- โดยไม่สนใจข้อบกพร่องและจัดส่งชิปที่เสียหาย
- โดยจะซ่อมแซมทรานซิสเตอร์แต่ละตัวด้วยตนเอง
- 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