โมเดลและแพลตฟอร์ม AI

Cerebras เปิดตัว Tungsten สำหรับการเขียนโปรแกรม Wafer-Scale ระดับสูง

Theo Nash
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญTungsten ย้ายการจัดสรรทรัพยากรเวเฟอร์ไปยังคอมไพเลอร์…
ดูเพิ่มเติม
  • Tungsten ย้ายการจัดสรรทรัพยากรเวเฟอร์ไปยังคอมไพเลอร์ เพื่อให้นักวิทยาศาสตร์หลีกเลี่ยงการกำหนดค่าตัวบอกลักษณะและโครงสร้างฮาร์ดแวร์ด้วยตนเอง
  • ตัวแทนเขียนโค้ดได้เขียนการจำลองพลาสมาทั้งหมดที่ทำงานครอบคลุม 98% ของเวเฟอร์ Cerebras
  • การทดสอบที่แท้จริงคือนักวิจัยสามารถขยายตัวอย่างของ Aviary ไปยังโค้ดของตนเองได้หรือไม่โดยไม่ต้องกลับไปใช้ intrinsics

Cerebras Systems เปิดตัว Tungsten ซึ่งเป็นภาษาและคอมไพเลอร์ระดับสูงสำหรับ Wafer-Scale Engine เมื่อวันที่ 16 พฤศจิกายน 2026 พร้อมกับ Aviary ซึ่งเป็นชุดแอปพลิเคชันและบทเรียนด้านวิทยาศาสตร์ ประกาศระบุว่า การจำลองพลาสมาที่เขียนโดยเอเจนต์เขียนโค้ดทั้งหมดทำงานครอบคลุมเวเฟอร์ของ Cerebras ไปแล้ว 98%

การเปิดตัวครั้งนี้มุ่งลดภาระในการเขียนโปรแกรม ไม่ใช่เปลี่ยนตัวโปรเซสเซอร์เอง คอมไพเลอร์รุ่นก่อนเปิดให้เข้าถึงความสามารถด้านเวกเตอร์ที่ไม่ใช่สเกลาร์ สตรีม และอีเวนต์ผ่านอินทรินซิก ทำให้นักพัฒนาต้องกำหนดค่าดีสคริปเตอร์ เชื่อมโยงงานเข้ากับอีเวนต์ และกำหนดเส้นทางการสื่อสารบนโครงข่ายด้วยตนเอง เป้าหมายของ Cerebras คือช่วยให้นักวิทยาศาสตร์เขียนโปรแกรมสำหรับเวเฟอร์ในระดับสูงได้ โดยไม่ต้องเป็นผู้เชี่ยวชาญด้านฮาร์ดแวร์หรือยอมลดประสิทธิภาพลง

คอมไพเลอร์จัดการทรัพยากรระดับเวเฟอร์

Cerebras อธิบายว่า Wafer-Scale Engine เป็นเครื่องประมวลผลแบบโฟลว์ข้อมูลที่มี 900,000 คอร์ หน่วยความจำเฉพาะที่ และโครงข่ายสื่อสารบนเวเฟอร์ โดยข้อมูลที่เข้ามาจะกระตุ้นการทำงานที่ใช้ข้อมูลนั้น รีจิสเตอร์รูปแบบการเข้าถึงจะไล่ผ่านอาร์เรย์หลายมิติและสตรีมบนโครงข่าย ทำให้ไม่ต้องใช้คำสั่งในการคำนวณที่อยู่ คำสั่งเดียวสามารถรับลูปทั้งชุดเป็นตัวดำเนินการ คอร์สามารถเรียกใช้ฟังก์ชันบนคอร์อื่นผ่านข้อความในโครงข่าย และการควบคุมการทำงานตามอีเวนต์จะเข้ามาแทนที่การวนตรวจสอบและการแตกแขนง

Tungsten มีโมเดลสถาปัตยกรรมที่แมปโค้ดระดับสูงเข้ากับรีจิสเตอร์รูปแบบการเข้าถึง งานที่ขับเคลื่อนด้วยอีเวนต์ การเรียกใช้ผ่านโครงข่าย และคำสั่งที่บรรจุลูปไว้ ในตัวอย่างจาโคบีสเตนซิลจากประกาศ บรรทัดซอร์สโค้ดแต่ละบรรทัดแทนลูปที่ทำงานกับบล็อกทั้งบล็อก และคอมไพล์เป็นคำสั่งเวกเตอร์หนึ่งคำสั่ง โดยไม่ต้องตั้งค่าดีสคริปเตอร์หรือเชื่อมโยงงาน สัญกรณ์นี้ใช้ <+- เพื่อสะสมค่าไปยังปลายทาง คล้ายกับ +=.

คอมไพเลอร์ยังจัดสรรรูปแบบการเข้าถึง นิยามลูป ซ็อกเก็ตของโครงข่าย และไมโครเธรดทั่วทั้งโปรแกรม โดยใช้แบบจำลองต้นทุนและขั้นตอนการปรับแต่งเพื่อสับเปลี่ยนทรัพยากรเหล่านั้นระหว่างการทำงาน Cerebras เปรียบเทียบแนวทางนี้กับการจัดสรรรีจิสเตอร์และการย้ายค่าออกจากรีจิสเตอร์ของซีพียู เมื่อคอมไพเลอร์เป็นผู้ตัดสินใจเรื่องเหล่านี้ การปรับโครงสร้างในภายหลังจึงทำได้ด้วยการแก้ไขโค้ดระดับสูง แทนการเขียนใหม่ด้วยตนเอง

Aviary ครอบคลุมทั้งบทเรียนและแอปพลิเคชันทางวิทยาศาสตร์

Tungsten และ Aviary พร้อมใช้งานผ่าน Cerebras Labs ชุดแอปพลิเคชันครอบคลุมตั้งแต่สเตนซิลสมการความร้อนและสเตนซิลปฏิกิริยา-การแพร่ของ Gray–Scott ขนาดกะทัดรัด ไปจนถึงการขนส่งอนุภาค การแก้ระบบสมการแบบเบาบาง การแปลงฟูเรียร์แบบเร็ว พลศาสตร์โมเลกุล การจำลองพลาสมา และอุทกพลศาสตร์อันดับสูง บทเรียน Gray–Scott มีโค้ด Tungsten ประมาณ 50 บรรทัด จึงเป็นจุดเริ่มต้นที่กระชับสำหรับผู้ใช้ใหม่ควบคู่ไปกับโค้ดวิทยาศาสตร์ฉบับเต็ม แอปพลิเคชันด้านพลศาสตร์โมเลกุลครอบคลุมปฏิสัมพันธ์ Lennard–Jones ระยะใกล้ และศักย์ฝังอะตอมที่จัดทำเป็นตารางสำหรับโลหะผสม

Cerebras รายงานว่า SNAP ซึ่งเป็นตัวแทนมาตรฐานสำหรับการขนส่งรังสีนิวเคลียร์แบบกำหนดผลลัพธ์แน่นอน ทำความเร็วได้ 1.6 PFLOP/s บน CS-4 หนึ่งระบบ สูงกว่าประสิทธิภาพของ GPU 10,800 ตัวบนซูเปอร์คอมพิวเตอร์ El Capitan และ HPCG ซึ่งเป็นเกณฑ์มาตรฐานซูเปอร์คอมพิวเตอร์สำหรับงานที่มีภาระงานแบบเบาบาง ทำความเร็วได้ 1.04 PFLOP/s บนระบบเดียว

แอปพลิเคชันจำนวนมากพัฒนาต่อยอดจากงานร่วมกับห้องปฏิบัติการแห่งชาติ Sandia, Lawrence Livermore และ Los Alamos ภายใต้โครงการ Advanced Memory Technology ของ NNSA โค้ดด้านพลศาสตร์โมเลกุลต่อยอดจากผลงานของความร่วมมือดังกล่าวที่เข้ารอบสุดท้ายรางวัล Gordon Bell Prize ปี 2024 แต่เป็นโค้ดคนละชุด โดยผลงานก่อนหน้านั้นใช้ Tungsten รุ่นแรก

โค้ดพลาสมาที่เขียนโดยเอเจนต์แสดงให้เห็นขั้นตอนการทำงาน

แอปพลิเคชันอนุภาคในเซลล์เป็นตัวอย่างสำคัญของการเขียนโค้ดโดยเอเจนต์ในการเปิดตัวครั้งนี้ Cerebras ระบุว่า นักวิจัยหนึ่งคนและเอเจนต์เขียนโค้ดหนึ่งตัวสร้างแอปพลิเคชันนี้ขึ้นผ่านอินเทอร์เฟซแชตในเวลาประมาณสองสัปดาห์ โดยเอเจนต์เป็นผู้เขียนโค้ดทุกบรรทัด เอเจนต์ทำงานโดยอาศัยอัลกอริทึมที่เผยแพร่แล้ว ตรวจสอบความถูกต้องของการติดตั้งใช้งานอ้างอิงด้วยโค้ด XOOPIC แบบโอเพนซอร์ส สร้างแบบจำลองปัญหาโดยอิงโค้ดพลาสมา EMPIRE และจัดทำการทดสอบ รูปภาพ และเอกสารประกอบ พร้อมทั้งค้นหาและแก้ไขข้อผิดพลาดของตนเอง

อนุภาคในการจำลองเคลื่อนที่ภายใต้สนามแม่เหล็กไฟฟ้าและย้ายระหว่างคอร์ ขณะที่ตัวแก้ปัญหาแบบอิมพลิซิตคำนวณสนามบนเมชที่แบ่งย่อย โดยอาศัยตำแหน่งและความเร็วของอนุภาค ปัญหาที่จำลองคือการเคลื่อนที่ของลำอิเล็กตรอนเข้าสู่พลาสมาอาร์กอน Cerebras รายงานว่า การรันเต็มรูปแบบจำลองอนุภาค 60 ล้านตัว โดยประมวลผลได้ 7,200 ขั้นเวลาต่อวินาที และมีอัตราการประมวลผล 430 พันล้านการอัปเดตอนุภาคต่อวินาทีบนระบบเดียว

Cerebras ระบุว่าชุดอ้างอิงของ Tungsten มีความสมบูรณ์เพียงพอที่จะรองรับขั้นตอนการทำงานที่มีเอเจนต์เป็นผู้ดำเนินการ แม้ Michael James ผู้ร่วมก่อตั้ง Cerebras และหัวหน้าสถาปนิกด้านเทคโนโลยีขั้นสูง ยังคงสนับสนุนให้ผู้ใช้เรียนรู้ภาษานี้ด้วยตนเองว่า “ต้องมีคนคอยกำกับเอเจนต์ให้อยู่ในแนวทางที่ถูกต้อง”

Cerebras ระบุว่าโค้ด Tungsten ชุดเดียวกันทำงานได้ทั้งบนเวเฟอร์เดียวหรือในคลัสเตอร์ การจำลองสึนามิทั่วโลกของบริษัทใช้เวเฟอร์ 64 แผ่นภายในการติดตั้งใช้งาน AI และการติดตั้งใช้งานลักษณะนี้ขยายขนาดได้ถึง 2,048 ระบบ

Cerebras ระบุว่าเครื่องมือเพิ่มประสิทธิภาพการออกแบบยังอยู่ระหว่างการพัฒนา ไม่ได้รวมอยู่ในชุดผลิตภัณฑ์ที่เปิดตัว โดยเครื่องมือนี้จะเชื่อมโยงโมเดล AI เข้ากับการจำลองทางฟิสิกส์ซึ่งทำหน้าที่เป็นโมเดลโลก และให้ทั้งสองทำงานบนเวเฟอร์ เพื่อให้โมเดล AI ใช้การจำลองดังกล่าวทดสอบการออกแบบได้

ความสำคัญในทางปฏิบัติของ Tungsten อยู่ที่รูปแบบการเขียนโปรแกรมซึ่งรองรับอัตราการประมวลผลที่รายงานไว้ บททดสอบสำคัญคือ นักวิจัยและเอเจนต์จะนำตัวอย่างของ Aviary ไปต่อยอดเป็นโค้ดของตนเองได้หรือไม่ โดยไม่ต้องกลับไปใช้ intrinsic และกำหนดเส้นทางการเชื่อมต่อด้วยตนเอง ความสามารถดังกล่าวจะเป็นตัวกำหนดว่าฮาร์ดแวร์เฉพาะทางของ Cerebras จะรองรับการประมวลผลทางวิทยาศาสตร์และการออกแบบที่ขับเคลื่อนด้วย AI ได้ครอบคลุมเพียงใด

Theo Nash เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมโครงสร้างพื้นฐาน AI, การคำนวณ, และระบบฮาร์ดแวร์ที่ขับเคลื่อนปัญญาประดิษฐ์สมัยใหม่ งานของเขามุ่งเน้นที่พื้นฐานทางเทคนิคเบื้องหลังภาระงาน AI ขนาดใหญ่ รวมถึงศูนย์ข้อมูล, ตัวเร่งความเร็ว, เครือข่าย, และสแตกซอฟต์แวร์ที่เชื่อมโยงพวกมันเข้าด้วยกัน.

ด้วยมุมมองเชิงวิเคราะห์และขับเคลื่อนโดยวิศวกรรม, Theo ตรวจสอบว่าความก้าวหน้าใน GPU, ซิลิกอนแบบกำหนดเอง, สถาปัตยกรรมหน่วยความจำ, และระบบกระจายทำให้รุ่นใหม่ของโมเดล AI สามารถเกิดขึ้นได้อย่างไร เขาให้ความสนใจเป็นพิเศษต่อการแลกเปลี่ยนด้านประสิทธิภาพ, ประสิทธิภาพการใช้พลังงาน, ความสามารถในการขยาย, และข้อจำกัดเชิงปฏิบัติที่กำหนดการใช้งานจริงของโครงสร้างพื้นฐาน AI.

บทความที่เขียนโดย Theo Nash สร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำทางเทคนิค, ความชัดเจน, และการครอบคลุมอย่างรับผิดชอบต่อภูมิทัศน์การคำนวณ AI ที่กำลังพัฒนาอย่างรวดเร็ว