เส้นทางสู่ชิป
จาก GPU สู่ ASIC ของคุณเอง
GPU รันได้ทุกอย่าง และคุณจ่ายค่าความยืดหยุ่นนั้นทั้งในราคาและพลังงาน เมื่องานหนึ่งที่ลงตัวแล้วรันในปริมาณมาก ชิปที่สร้างมาเพื่องานนั้นโดยเฉพาะจะทำงานเดียวกันได้ด้วยต้นทุนที่ต่ำกว่า เราประเมินความคุ้มค่าและออกแบบตัวเร่งการประมวลผล ทั้งสำหรับการอนุมาน AI และงานคำนวณอื่นที่ลงตัวแล้ว
- เหมาะสำหรับ
- ทีมที่มีงานเพียงงานเดียวเป็นตัวกำหนดค่าใช้จ่าย GPU หรืองบพลังงาน เช่น การอนุมาน AI หรืองานคำนวณอื่นที่ทำซ้ำในปริมาณมาก
- สิ่งที่คุณเตรียม
- งานตามที่รันบน GPU อยู่ในวันนี้ ได้แก่ ทรูพุต ฮาร์ดแวร์ที่ใช้ และต้นทุน
- สิ่งที่คุณได้รับ
- รายงานความเป็นไปได้ก่อน จากนั้นเป็นชิปที่จัดทำข้อกำหนด ออกแบบ และเทปเอาต์สำหรับผลิตภัณฑ์ของคุณ
- ผลงานของเรา
- ASIC เร่งการประมวลผลที่ออกแบบให้ลูกค้าบน 28 nm, 16 nm, 8 nm และ 7 nm ส่งมอบเป็น GDS และลูกค้านำไปผลิตเอง รวมถึงการออกแบบชิป AI แบบฟูลคัสตอมที่ 6 nm
เกณฑ์สามข้อเป็นตัวตัดสิน
งานนี้ควรมีชิปของตนเองหรือไม่
งานจะคงเดิมหรือไม่
ชิปตรึงสิ่งที่คำนวณไว้ตายตัว โมเดล โอเปอเรเตอร์ หรือเคอร์เนลต้องนิ่งพอที่จะอยู่ได้นานกว่าช่วงเวลาออกแบบ มิฉะนั้นชิปต้องคงส่วนที่เหมาะสมไว้ให้โปรแกรมได้
ชิปนำหน้า GPU ได้ไกลเพียงใด
ผลได้มาจากการตัดสิ่งที่งานไม่เคยใช้ออกไป ได้แก่ หน่วยคำนวณที่ใช้บิตน้อยลง หน่วยความจำที่มีขนาดพอดีกับข้อมูล และเส้นทางข้อมูลที่จัดรูปตามงานคำนวณ ยิ่งใช้ส่วนต่าง ๆ ของ GPU น้อยเท่าใด ผลได้ก็ยิ่งมากขึ้นเท่านั้น
ปริมาณงานรองรับต้นทุนครั้งเดียวได้หรือไม่
เงินที่ประหยัดได้ต่อหน่วยงาน คูณด้วยปริมาณงานที่จะรันตลอดอายุของชิป ต้องมากกว่าค่างานวิศวกรรมและค่ามาสก์
สิ่งที่ชิปเปลี่ยนไป
สร้างขึ้นเพื่องานเดียว
การแทนตัวเลข
รูปแบบตัวเลขที่เลือกตามเป้าหมายความแม่นยำของคุณ รวมถึงรูปแบบความละเอียดต่ำ เช่น INT8 และ FP8
หน่วยความจำ
SRAM บนชิปและหน่วยความจำภายนอก วางแผนตามแบนด์วิดท์ ไม่ใช่ตามความจุเพียงอย่างเดียว
อาร์เรย์ประมวลผล
อาร์เรย์ MAC ตัวคูณ ต้นไม้ตัวบวก และรีจิสเตอร์ไปป์ไลน์ ซึ่งเป็นส่วนที่การออกแบบฟูลคัสตอมให้ผลมากที่สุด
ส่วนซอฟต์แวร์
แผนคอมไพเลอร์และรันไทม์ที่ตกลงกันก่อนเริ่ม RTL ชิปจึงรันงานของคุณได้ตั้งแต่วันแรก
เส้นทาง
ห้าขั้นตอน ขั้นแรกทำบนกระดาษ
การศึกษาความเป็นไปได้
เกณฑ์สามข้อ คำนวณด้วยตัวเลขของคุณ
สถาปัตยกรรมและแบบจำลองสมรรถนะ
แบบจำลองของชิป ตรวจเทียบกับผลที่คุณวัดได้บน GPU
RTL และต้นแบบบน FPGA
เขียนและทวนสอบ RTL และพิสูจน์บน FPGA เมื่อผลิตภัณฑ์จำเป็นต้องมี
การออกแบบเชิงกายภาพ
โฟลว์เซลล์มาตรฐาน โดยใช้บล็อกฟูลคัสตอมในจุดที่คุ้มค่า
เทปเอาต์และการผลิต
ข้อมูลมาสก์ การส่งต่องานให้ฟาวน์ดรี จากนั้นเป็นการผลิตและการจัดหา
คำถามเกี่ยวกับการย้ายจาก GPU สู่ ASIC
ASIC เหนือกว่า GPU เมื่อใด
เมื่องานหนึ่งที่นิ่งแล้วรันในปริมาณสูง ระหว่างที่โมเดลหรืออัลกอริทึมยังเปลี่ยนอยู่ GPU คือเครื่องมือที่เหมาะ เมื่องานลงตัวและมีปริมาณรองรับ ชิปเฉพาะงานจะทำงานเดียวกันได้ด้วยพลังงานและต้นทุนที่ต่ำกว่า
ใช้ได้เฉพาะกับ AI หรือไม่
ไม่ใช่ เหตุผลเดียวกันใช้ได้กับงานคำนวณทุกอย่างที่คงที่ หนัก และทำซ้ำ เช่น การอนุมาน การประมวลผลวิดีโอและสัญญาณ การค้นหา และเคอร์เนลการจำลอง ปัจจุบันการอนุมาน AI เป็นกรณีที่พบบ่อยที่สุด
ต้องเลิกใช้ GPU หรือไม่
ไม่จำเป็น ทีมส่วนใหญ่ยังใช้ GPU ในงานพัฒนาและกับงานที่ยังเปลี่ยนอยู่ แล้วย้ายส่วนที่นิ่งและมีปริมาณสูงไปไว้บนชิป
ออกแบบบนกระบวนการผลิตใดบ้าง
บนโหนด FinFET ของ TSMC ที่ 16 nm, 12 nm, 7 nm และ 6 nm เราเป็นลูกค้าบัญชีตรงของ TSMC
ใครเป็นเจ้าของงานออกแบบ
ความเป็นเจ้าของงานออกแบบและข้อมูลกำหนดไว้ในสัญญาของแต่ละโครงการ
หน้าที่เกี่ยวข้อง
ค่า GPU ส่วนใหญ่มาจากงานเดียวใช่หรือไม่
บอกเราถึงงานนั้น ปริมาณ และต้นทุนในวันนี้
- กรอกแบบฟอร์มโครงการ
- เราตอบกลับทางอีเมลภายในไม่กี่วันทำการ
- ช่วงเริ่มต้นโครงการ: NDA การทบทวนงานออกแบบ และแผนงานแบบแบ่งขั้นตอน
แบบฟอร์มเป็นวิธีที่เร็วที่สุดในการติดต่อเรา และมีเจ้าหน้าที่อ่านคำขอทุกฉบับ