Veje til en chip
Fra GPU'er til din egen ASIC.
En GPU kan køre alt, og det betaler du for i pris og strøm. Når én fastlagt arbejdsbelastning kører i stor skala, gør en chip bygget til netop den arbejdet billigere. Vi vurderer, om det holder, og designer acceleratoren, til AI-inferens og til enhver anden fastlagt beregning.
- Til
- Teams, hvis udgifter til GPU'er eller strømbudget bestemmes af én arbejdsbelastning: AI-inferens eller en anden beregning, der gentages i stor skala
- Du leverer
- Arbejdsbelastningen, som den kører på GPU'er i dag: gennemløbet, den hardware, den bruger, og hvad den koster
- Du får
- Først en rapport om forundersøgelsen, derefter en chip til dit produkt, specificeret, designet og sendt til tape-out
- Vores resultater
- Regneaccelerator-ASIC'er designet for kunder på 28 nm, 16 nm, 8 nm og 7 nm, leveret som GDS og fremstillet af kunderne; full-custom AI-chipdesign på 6 nm
Tre test afgør det
Om en arbejdsbelastning fortjener sin egen chip.
Bliver arbejdsbelastningen?
En chip lægger fast, hvad den beregner. Modellerne, operatorerne eller kernerne skal være stabile nok til at overleve designtiden, ellers skal chippen holde de rette dele programmerbare.
Hvor langt foran en GPU kan en chip komme?
Gevinsten kommer af at skære det væk, som arbejdsbelastningen aldrig bruger: smallere aritmetik, hukommelse dimensioneret efter dataene og en datavej formet efter beregningen. Jo mindre af GPU'en du bruger, desto større gevinst.
Kan skalaen bære engangsomkostningen?
Besparelsen pr. arbejdsenhed gange det arbejde, du kører i chippens levetid, skal overstige ingeniørarbejdet og maskerne.
Hvad chippen ændrer
Bygget omkring én arbejdsbelastning.
Talrepræsentation
Talformater valgt ud fra dine krav til nøjagtighed, herunder formater med reduceret præcision som INT8 og FP8.
Hukommelse
SRAM på chippen og ekstern hukommelse planlagt efter båndbredde, ikke kun efter kapacitet.
Beregningsarrays
MAC-arrays, multiplikatorer, addertræer og pipelineregistre. Det er her, full-custom-design gør størst forskel.
Softwarevejen
En plan for compiler og runtime aftalt, før RTL-arbejdet begynder, så chippen kører din arbejdsbelastning fra første dag.
Vejen
Fem trin, og det første er på papir.
Forundersøgelse
De tre test, regnet på dine tal.
Arkitektur og ydeevnemodel
En model af chippen, holdt op mod dine målte GPU-resultater.
RTL og FPGA-prototype
RTL skrevet og verificeret og afprøvet på FPGA, hvor produktet kræver det.
Fysisk design
Et flow med standardceller og full-custom-blokke, hvor de betaler sig.
Tape-out og produktion
Maskedata, overdragelsen til foundryen og derefter produktion og forsyning.
Spørgsmål om at gå fra GPU'er til en ASIC
Hvornår slår en ASIC en GPU?
Når én stabil arbejdsbelastning kører i store mængder. Så længe modellen eller algoritmen stadig ændrer sig, er GPU'er det rette værktøj. Når den har sat sig, og mængden er der, udfører en dedikeret chip det samme arbejde med mindre strøm og lavere omkostninger.
Gælder det kun AI?
Nej. Samme ræsonnement gælder for enhver beregning, der ligger fast, er tung og gentages: inferens, video- og signalbehandling, søgning, simuleringskerner. AI-inferens er det mest almindelige tilfælde i dag.
Skal vi opgive GPU'erne?
Nej. De fleste teams beholder GPU'er til udvikling og til arbejdsbelastninger, der stadig ændrer sig, og flytter den stabile del med store mængder over på chippen.
Hvilke processer designer I på?
På TSMC's FinFET-noder på 16 nm, 12 nm, 7 nm og 6 nm. Vi har direkte konto hos TSMC.
Hvem ejer designet?
Ejerskabet af designet og dets data fastlægges i kontrakten for hvert projekt.
Relaterede sider
En GPU-regning, som én arbejdsbelastning bestemmer?
Fortæl os om arbejdsbelastningen, mængden, og hvad den koster i dag.
- Udfyld projektformularen
- Vi svarer pr. e-mail inden for få arbejdsdage
- Onboarding: NDA, gennemgang af designet og en plan i faser
Formularen er den hurtigste vej til os. Et menneske læser hver forespørgsel.