長期以來人們一直對晶圓級架構持懷疑態度，這種懷疑可以追溯到幾十年前。出于商業或技術原因，僅有少數人做過相關嘗試，但他們都毫不例外地失敗了，當中包括著名的Gene Amdah）。但是，除了適當建立的半導體技術基礎之外，也許還缺少合適的時機。

如果您問Andrew Feldman，為什么晶圓級方法不那么普遍，他的回答很簡單：他在Cerebras Systems的團隊是唯一弄清楚如何真正做到這一點的人。在他看來，沒有人能夠或將要嘗試這個，至少短期內不會。

“我認為沒有人能做到。我們花了五年的時間，我們還擁有龐大的專利產品組合。AI這一工作量將占總計算量的約三分之一。如果您看一下Google，他們已經完成了大部分工作，看起來像是AI工作負載。此外，用于解決AI問題的計算量正以驚人的速度增長。在接下來的三到五年中，數據中心中的更多工作將是AI或類似AI的工作，更多的難題將圍繞如何在數據中尋找見解。”

如果我們巧妙地越過專利組合的那薄弱的威脅，以及它對 Cerebras 的可能性證明所鼓舞的潛在初創公司意味著什么，那么還會出現其他一些問題。首先，為什么以前沒有這項工作，其次，如果現在可能的話，為什么專業人士不這樣做呢？

“我們觀察了1984年Amdahl所做的晶圓級芯片，事實是，人們對此記憶猶新的的是芯片是如此之大，但他們其實從未真正看過它。當時我們的行業還不那么成熟，所以肯定圍繞芯片制造工藝。但自那時以來，我們已經制造了成千上萬的芯片。流程和體系結構要好得多。我們為晶圓規模選擇了一種架構，但Gene Amdahl沒有。我們試圖采用他喜歡的架構并將其推廣到晶圓級。

他繼續說道：“我們能夠利用我們的架構設計芯片并物理現實。我們要做的一件事是用超過40萬個相同的塊構建重復的圖塊設計。如果發生故障，我們可以解決。這是一個新發現，它是如何結合已知的事實，即存在缺陷的已知事實。這不是新事物；DRAM將位單元的行和列放在一邊，這就是他們獲得高良率的方式。但是直到我們這樣做之前，沒有人使用計算機來做到這一點。”

訣竅可能是做到這一點并擁有一個功能齊全、高效的系統，但是，您不能只出售獨立的設備，并不是每個芯片制造商都希望負擔（盡管Nvidia的DGX機器可能反映出不同的東西）。從編譯器到冷卻的完整堆棧是唯一有意義的方法。這正是Feldman的公司Cerebras Systems正在推廣其CS-1系統的原因。回想一下，Cerebras今年通過其Wafer Scale Engine方法應用于AI獲得了一些動力，特別是在以研究為中心的站點上進行了安裝，包括Lawrence Livermore國家實驗室，Argonne國家實驗室和匹茲堡超級計算中心。很難說出它們可能在企業或超大規模系統中的位置，但就目前而言，即使在純AI訓練和推理之外。

我們必須假設英特爾和Nvidia的大量研究預算至少使該主題有了一些想法，尤其是在看到Cerebras證明了這一概念之后。也許他們確實找到了使所有片上電路都變得更重要的方法，更重要的是，編譯器成功地解決了這一問題，并發現盡管實用，但從經濟上講不合算。也許那是因為您不能僅僅構建要在2020-2025年的晶圓級游戲中使用的設備：整個系統必須以人類已知的最復雜的代碼簽名練習之一來構建。大多數芯片制造商和加速器初創公司都不希望（或實際上不能）從事系統業務，并且該設備的集成也不是典型的集成過程。

具有大量內核且可以超快速度通信的芯片有很多機會，而這些都不是新鮮事物。除了AI，HPC領域（包括計算流體動力學）具有廣泛的商業價值，適合大規模使用信號處理等工作。開關芯片的想法更加萌芽，如果該行業已經在使用一些最大的硅片，那么在更廣泛的可行范圍內，它可以輕松地改變晶片規模。那只是近期。我們甚至可以更進一步，提出一個系統的概念，該系統將晶圓級引擎與裸露在機架上的硅光子相連，能夠保持涼爽并真正處理大量工作負載，而無需離開設備或橫向擴展而無需全部多余的熱量和性能損失。但這是另一個長遠的故事。

對于石油和天然氣以及超級計算級科學法規中HPC等高價值應用領域，新架構的挑戰始終是相同的。這些代碼基本上是一成不變的，只有最近才可以從GPU加速中受益。但是，對于那些愿意大力投資的人來說，人工智能的故事顯而易見。我們從未能夠了解晶圓級方法的成本，以及與使用相同晶圓進行切片和切塊以單獨出售的方式有何不同。使所有部件連接起來的所有額外網絡可能會帶來可觀的成本開銷。

對于那些定義狹窄的應用程序集，是否有足夠的市場需要解決，以使所有這些都值得呢？以及其中一家開關芯片制造商和集成商得到暗示并為其工程購買Cerebras以及使具有AI功能的開關芯片產品多樣化需要多長時間？

“如果您看一下Nvidia和Intel的研究，他們正在發表論文說無法做到。我們解決了70年來一直未解決的問題。這些擁有數萬名工程師的巨型公司一直說這是不可能的，而我們位于洛斯阿爾托斯（Los Altos）房地產市場的小團隊做到了。他的斷言是，由于天生缺乏技術，大公司沒有追求晶圓規模。“ Nvidia和其他公司知道更大的芯片更適合這種工作負載。如果您從2013年開始繪制GPU的圖表，它的大小將增加一倍以上。為什么？因為他們知道更大的籌碼會更好。但是他們不知道怎么做，仍然不知道，是如何變得大50到60倍，這就是我們所做的。”他補充道。

即使可以甚至確實存在硅片規模，也無論如何都無法解決所有問題。但是對于需要小型，密集計算和低功耗，低延遲和超高帶寬的大規模通信的AI工作負載，這種方法很有意義。盡管其他加速器和基于加速器的系統提供了此功能，但仍然存在外部網絡無法解決的問題。

但是，如果晶圓級的概念被證明是有效的，我們是否可以看到其他初創公司采用類似的方法？對自己的工廠進行嚴格控制的公司可以輕松實現這一飛躍。Feldman說，他們之所以沒有這樣做，是因為他們不知道如何做，但他們這樣做的原因可能更加復雜，并且與關注點，半導體經濟和需求有關。如果是這樣，他們將不得不用一種價格便宜的產品來應對潛在的市場嗎？例如，考慮到像英特爾這樣的擁有全部網絡，晶圓廠和市場專業知識的公司并沒有走這條路，那么，肯定有些事情要么不值得努力，要么根本無法完成。

那么，要回答標題中的問題，是否有至少一個或兩個以上的初創公司，也許還有一個專業進入該行業的晶圓級芯片行業 ？也許。這就是為什么我們保持密切關注Cerebras機器的原因。不僅是為了查看它是否有效，還在于編程模型如何運行以及它是否真的可以承擔起不僅僅限于AI的任務。

如上所述，基于大型晶圓的 機架和硅光子技術相結合的系統的未來發展并非無道理，這種技術可以解決熱量問題，并具有可分割，可擴展且在合理的功率預算內的真實通信。然后事情就變得有趣了，特別是如果魔術編譯器可以真正地在HPC和大規模分析中使用并行代碼以及AI工作負載演變成的任何東西。
責任編輯:tzh