本文由半導體產業縱橫（ID：ICVIEWS）編譯自techxplore

晶圓級處理器可以提供更強大的計算能力和更高的能源效率。

加州大學河濱分校的工程師在《設備》雜志上發表的一篇技術評論論文探討了一種新型計算機芯片的前景，這種芯片可以重塑人工智能的未來，并且更加環保。

Cerebras 制造的這些巨型芯片被稱為晶圓級加速器，建立在餐盤大小的硅晶圓上，與傳統的圖形處理單元（GPU）形成鮮明對比，后者的大小不比郵票大。

加州大學河濱分校跨學科團隊的論文得出結論：晶圓級處理器可以提供更強大的計算能力和更高的能源效率——隨著人工智能模型變得越來越大、要求越來越高，這些特性正是所需要的。

“晶圓級技術代表著一次重大飛躍，”加州大學河濱分校伯恩斯工程學院電氣與計算機工程教授、該論文的主要作者米赫里·奧茲坎 (Mihri Ozkan) 表示。“它使擁有數萬億個參數的人工智能模型能夠比傳統系統運行得更快、更高效。”

除了 Ozkan 之外，合著者還包括 UCR 研究生 Lily Pompa、Md Shaihan Bin Iqbal、Yiu Chan、Daniel Morales、Zixun Chen、Handing Wang、Lusha Gao 和 Sandra Hernandez Gonzalez。

Ozkan 表示：“通過將所有東西都放在一個晶圓上，就可以避免芯片間通信造成的延遲和功率損失。”

該論文還重點介紹了晶圓上芯片封裝等技術，這些技術可以使晶圓級設計更加緊湊、更易于擴展，計算密度可能提高 40 倍。

當前AI訓練硬件呈現多元化發展態勢，主要分為兩大陣營：采用晶圓級集成技術的專用加速器（如Cerebras WSE-3和Tesla Dojo）和基于傳統架構的GPU集群（如NVIDIA H100）。

Cerebras WSE-3采用臺積電（TSMC）5nm工藝，在46,225mm2的晶圓上集成4萬億個晶體管和90萬個AI優化核心，其44GB片上SRAM可實現21PB/s的內存帶寬。相比之下，Tesla Dojo采用模塊化設計，每個訓練瓦片包含1.25萬億晶體管和8,850個核心，通過特斯拉傳輸協議（TTPoE）實現低延遲通信。

在計算吞吐量方面，WSE-3在FP16精度下達到125PFLOPS的峰值性能，而NVIDIA H100在FP8精度下為1.97PFLOPS（啟用稀疏計算時）。特別值得注意的是，在碳捕獲模擬中，WSE-3展現出比H100快210倍的性能。延遲表現上，晶圓級架構優勢更為明顯：WSE-3的片上延遲達到亞納秒級，而H100的NVLink 4.0雖提供900GB/s帶寬，但多GPU通信延遲仍較高。

能效成為評估AI硬件的關鍵指標。WSE-3通過消除芯片間數據傳輸，實現每瓦2倍于前代的性能提升。其創新的"引擎塊"設計整合了水-丙二醇冷卻回路，可處理23kW的熱設計功耗（TDP）。Tesla Dojo則采用去離子水直接冷卻技術，每個訓練瓦片功耗15kW。相比之下，H100 GPU的能效為7.9TFLOPS/W，需依賴液冷系統應對700W的功耗。

晶圓級芯片面臨的最大挑戰是制造良率。Cerebras采用SwarmX互連架構實現缺陷核心的動態繞行，宣稱達到100倍缺陷容限。Tesla Dojo則采用TSMC的集成扇出（InFO）封裝技術，將25個D1芯片集成在載具晶圓上。在工藝節點方面，WSE-3采用TSMC 5nm FinFET工藝，而Dojo使用7nm工藝，兩者都代表了半導體制造的最前沿。

“如果把 GPU 想象成繁忙的高速公路——效率很高，但交通堵塞會浪費能源，”Ozkan 說道，“晶圓級引擎更像是單軌列車：直接、高效、污染更少。”

“我們看到晶圓級系統本身正在加速可持續性研究，”Ozkan說道。“這對計算領域和地球來說都是雙贏。”

一個系統高達86%的總碳足跡可能來自制造和供應鏈，而不僅僅是能源使用。他們提倡使用可回收材料和低排放合金，以及全生命周期設計實踐。

“效率始于工廠，”Ozkan 說道。“為了真正降低計算的影響，我們需要重新思考整個流程——從晶圓到廢料。這項審查是深度跨學科合作的成果。我們希望它能成為研究人員、工程師和政策制定者探索人工智能硬件未來的路線圖。”

*聲明：本文系原作者創作。文章內容系其個人觀點，我方轉載僅為分享與討論，不代表我方贊成或認同，如有異議，請聯系后臺。