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.
Kun suurteholaskennan (HPC) työkuormat monimutkaistuvat, generatiivinen tekoäly sulautuu yhä tiiviimmin moderneihin järjestelmiin ja lisää kehittyneiden muistiratkaisujen tarvetta. Vastatakseen näihin muuttuviin vaatimuksiin ala kehittää uuden sukupolven muistiarkkitehtuureja, jotka maksimoivat kaistanleveyden, minimoivat latenssin ja parantavat energiatehokkuutta.
