Partnerstwa

Preferred Networks stawia na szybsze wnioskowanie AI dzięki MN-Core L2000

Leo Park
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyPrzepustowość pamięci jest rzeczywistym wąskim gardłem wnioskowania, ponieważ…
Zobacz więcej
  • Przepustowość pamięci jest rzeczywistym wąskim gardłem wnioskowania, ponieważ generowanie danych wyjściowych wymaga odczytu setek gigabajtów danych.
  • SEMIFIVE zajmuje się realizacją projektu i koordynacją łańcucha dostaw dla podejścia 3D-IC układu L2000.
  • Pobór mocy, odprowadzanie ciepła i wydajność produkcji sprawiają, że układy AI z warstwami 3D są trudniejsze do opracowania niż konwencjonalne układy.

Preferred Networks i SEMIFIVE poinformowały 16 listopada 2026 r. o współpracy nad serią układów MN-Core L2000 — chipami do wnioskowania AI, które mają zapewnić ponad dwukrotnie większą przepustowość pamięci niż seria L1000 firmy PFN.

L2000 jest następcą L1000, którego premierę zaplanowano na 2027 r. Prace nad nowszą serią już trwają, a przekazanie projektu do produkcji (tape-out) planowane jest na pierwszy kwartał tego samego roku. Tape-out oznacza zakończenie projektowania układu i przekazanie producentowi ostatecznych danych projektowych.

Dlaczego przepustowość pamięci ma kluczowe znaczenie

W ogłoszeniu dotyczącym L1000 z listopada 2024 r. PFN wyjaśnia, dlaczego ten aspekt ma priorytet w projekcie. Trenowanie generatywnej AI wymaga znacznych zasobów obliczeniowych, ale podczas wnioskowania procesor musi za każdym razem odczytać setki gigabajtów danych, gdy generuje jednostkę tekstu, obrazy lub inne treści. Ograniczona przepustowość pamięci może więc stać się wąskim gardłem, mimo że wnioskowanie wymaga mniej zasobów obliczeniowych niż trenowanie.

W obu projektach z serii L pamięć DRAM jest układana pionowo na chipach logicznych opartych na architekturze MN-Core. PFN twierdzi, że ta trójwymiarowa konstrukcja zapewnia znacznie większą przepustowość pamięci niż procesory graficzne i inne procesory AI, co pozwala przyspieszyć wnioskowanie i zwiększyć efektywność energetyczną zastosowań, w tym agentów AI. Projekt L1000 również łączy gęsto rozmieszczone jednostki arytmetyczne z rozproszoną pamięcią; oba elementy są sterowane programowo, aby ograniczyć zużycie energii i wydzielanie ciepła.

PFN rozwija MN-Core od 2016 r. i informuje, że superkomputery wykorzystujące architekturę pierwszej generacji trzykrotnie zajęły pierwsze miejsce w rankingu efektywności energetycznej Green500. Wynik ten dotyczy wcześniejszej architektury, a poprawa przepustowości w L2000 pozostaje celem prac rozwojowych.

Trzy firmy dzielą się pracami nad rozwojem układu

PFN odpowiada za architekturę procesora L2000 i jego projekt logiczny. SEMIFIVE, dostawca kompleksowych usług w zakresie układów półprzewodnikowych projektowanych na zamówienie, zajmuje się realizacją projektu i zarządzaniem łańcuchem dostaw, korzystając ze swojego rozwiązania do projektowania układów 3D-IC. Koordynuje dostawy pamięci DRAM, produkcję wielkoseryjną, zaawansowane pakowanie oraz testowanie.

Prezes SEMIFIVE Brandon Cho określił projekt jako „pierwszą pełnoskalową inicjatywę firmy w zakresie 3D-IC”. Zadanie to stawia SEMIFIVE pomiędzy projektem procesora PFN a wyspecjalizowanymi procesami produkcji pamięci, pakowania i wytwarzania, niezbędnymi do jego realizacji.

Do produkcji chipu logicznego zostanie wykorzystana technologia platformowa Samsung Foundry. Samsung Foundry zapewnia również infrastrukturę do projektowania układów 3D-IC, w tym zoptymalizowane interfejsy I/O łączące ułożone warstwowo układy oraz metody projektowania służące optymalizacji struktury zasilania.

Współzałożyciel i prezes PFN, Daisuke Okanohara, wskazał zużycie energii, odprowadzanie ciepła i uzysk produkcyjny jako wyzwania, które sprawiają, że opracowanie układów AI z warstwowo ułożonymi strukturami 3D jest bardziej złożone niż projektowanie konwencjonalnych chipów. Problemy te mają istotne znaczenie, ponieważ przyjęte podejście do zwiększania wydajności opiera się na pionowej integracji układów logicznych i pamięci, a nie na wytwarzaniu samodzielnego układu logicznego.

Wsparcie rządowe i kolejne etapy

Prace nad L2000 wspiera japońska Acquisition, Technology & Logistics Agency w ramach programu Innovative Science and Technology Initiative for Security. Wsparcie jest udzielane w ramach projektu typu S realizowanego w latach budżetowych 2024–2028.

PFN i SEMIFIVE planują również wspólnie zaprezentować L2000 na stoisku PFN podczas targów SC26 w Chicago, które odbędą się od 17 do 19 listopada 2026 r.

Partnerstwo zapewnia PFN ścieżkę wdrożenia i produkcji architektury skoncentrowanej na przepustowości, a SEMIFIVE poszerza zakres swoich prac nad 3D-IC. Kluczową próbą dla realizacji projektu będzie sprawdzenie, czy firmy zdołają przenieść założenia dotyczące przepustowości i efektywności do produkcji, jednocześnie kontrolując problemy związane z zasilaniem, ciepłem i uzyskiem produkcyjnym, wskazane przez Okanoharę.

Leo Park jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się startupami z dziedziny sprzętu AI, obliczeń brzegowych oraz nowymi architekturami układów scalonych, które zmieniają sposób wdrożenia sztucznej inteligencji poza scentralizowanymi ośrodkami danych. Jego praca koncentruje się na tym, jak nowe projekty układów scalonych, platformy inferencyjne brzegowe oraz systemy efektywne energetycznie zmieniają ekonomię i wykonalność AI na dużą skalę.
Z perspektywy inżynierskiej i precyzyjnej, Leo analizuje, jak startupy budują specjalistyczne procesory, optymalizują pamięć i zużycie energii, oraz umożliwiają obciążenia AI w czasie rzeczywistym bliżej miejsca, w którym generowane są dane. Zwraca szczególną uwagę na przypadki użycia — takie jak robotyka, systemy autonomiczne, przemysłowy Internet rzeczy oraz inteligencja urządzeń — gdzie AI brzegowa dostarcza namacalne korzyści pod względem wydajności i kosztów.
Artykuły autorstwa Leo Parka są wygenerowane przez AI i sprawdzane przez zespół redakcyjny Unite.AI w celu zapewnienia technicznej dokładności, klarowności oraz odpowiedzialnego opisywania szybko ewoluującego krajobrazu sprzętu AI i obliczeń brzegowych.