Avoimeen RISC-V-arkkitehtuuriin perustuvat tekoälyprosessorit ottavat jälleen askeleen lähemmäs GPU-jättien hallitsemaa pelikenttää. SiFive on julkaissut toisen sukupolven Intelligence-IP-perheen, joka yhdistää skalaari-, vektori- ja matriisilaskennan ja tähtää tekoälylaskentaan niin reunalaitteissa kuin datakeskuksissa.
Tuoteperheeseen kuuluu viisi mallia: uudet X160 Gen 2 ja X180 Gen 2 far edge- ja IoT-sovelluksiin, sekä päivitetyt X280 Gen 2, X390 Gen 2 ja XM Gen 2. Näistä erityisesti XM Gen 2 tuo mukanaan matriisilaskentamoottorin, joka on kriittinen suurten hermoverkkojen kiihdyttämisessä.
Ensimmäinen sukupolvi riitti AI-laskentaan lähinnä pienemmissä, sulautetuissa järjestelmissä. Nyt toinen sukupolvi skaalautuu selvästi paremmin ja tarjoaa joustavia suorituskyvyn, tehonkulutuksen ja pinta-alan kompromisseja.
GPU:t (kuten NVIDIAn H100) ovat edelleen ylivoimaisia suurten kielimallien koulutuksessa: ne tarjoavat petaflops-luokan laskentatehoa ja laajan ohjelmistoekosysteemin. SiFive ei vielä kilpaile näissä raskaimmissa kuormissa.
Sen sijaan RISC-V:llä on nyt paikka inference-markkinassa ja datakeskusten reunaratkaisuissa. SiFive-ytimet voivat toimia itsenäisinä tekoälyprosessoreina tai Accelerator Control Unit -ohjaimina, jotka hallitsevat erillisiä ASIC- ja NPU-kiihdyttimiä. Tämä vähentää kustannuksia ja virrankulutusta verrattuna GPU-klustereihin, jotka ovat usein ylimitoitettuja kevyempään inferenssiin.
SiFiven etu GPU-jätteihin nähden on avoimuus ja konfiguroitavuus. Asiakkaat voivat lisensoida IP:n, räätälöidä suorituskykyä ja yhdistää sen omiin kiihdyttimiinsä ilman sitoutumista NVIDIAn CUDA- tai AMD:n ROCm-ekosysteemeihin. Tämä voi olla ratkaisevaa niille toimijoille, jotka etsivät kustannustehokkaampia ja riippumattomampia ratkaisuja kasvavaan tekoälyn kysyntään.
Deloitte arvioi tekoälytyökuormien kasvavan vähintään 20 % kaikissa ympäristöissä, ja jopa 78 % reunalaskennassa. SiFive tähtää juuri tähän kasvuun: energiatehokkaisiin AI-prosessoreihin, jotka voivat skaalautua IoT-laitteista aina datakeskusten inferenssisolmuihin.
Tekoäly siirtyy pilvestä koneisiin, kameroihin, antureihin ja robotteihin. Reunalla yksi laitteistoratkaisu ei kuitenkaan sovi kaikkeen, vaan suorituskyky on sovitettava mallin, datan ja käyttökohteen mukaan.
