随着生成式 AI、大语言模型(LLM)和 AI Agent 应用快速发展,AI 模型参数规模不断扩大,传统 GPU 集群面临通信延迟、能源消耗和系统扩展效率等挑战。晶圆级计算成为 AI 芯片产业探索的重要方向,其核心价值在于减少计算节点之间的数据交换,提高 AI 工作负载中的计算效率。
从 AI 基础设施发展趋势来看,Wafer-Scale Engine 代表了区别于传统 GPU 的另一种计算路径。围绕 WSE 架构,Cerebras 正通过 CS 系列 AI 系统、Condor Galaxy 超级计算平台以及 AI 云服务探索新的 AI 算力生态。理解晶圆级芯片的工作方式,有助于分析未来 AI 芯片竞争格局以及人工智能基础设施的发展方向。

Wafer-Scale Engine(WSE)是 Cerebras 推出的晶圆级 AI 芯片架构,其核心设计理念是将整片晶圆作为一个完整计算芯片,而不是像传统半导体制造流程一样,将晶圆切割成大量独立芯片后分别封装使用。
传统 CPU、GPU 和 AI 加速器通常采用“小芯片”设计。一块晶圆经过制造后,会被切割成几十甚至数百颗独立芯片,每颗芯片拥有自己的计算核心、缓存和输入输出接口。为了满足大型 AI 模型训练需求,数据中心通常需要将大量 GPU 通过高速网络连接起来形成计算集群。
然而,随着人工智能模型规模不断增长,计算瓶颈正在从单纯的算力不足转向数据传输效率不足。大型语言模型训练需要不断在不同计算单元之间交换参数,如果芯片之间通信速度无法匹配计算速度,即使拥有大量 GPU,也可能出现算力无法充分释放的问题。
Cerebras 的 WSE 采用完全不同的思路。它通过扩大单个计算单元规模,将数十万甚至更多计算核心集成在同一片晶圆上,使大量数据可以在芯片内部高速流动,从架构层面减少传统 AI 集群中的通信压力。
目前,Cerebras 已推出多代 WSE 产品,并将其应用于 AI 训练、高性能计算以及企业级 AI 服务场景。其中,WSE 系列芯片成为公司区别于 NVIDIA GPU 生态的重要技术标签。
Cerebras 选择晶圆级芯片设计,主要源于 AI 计算需求发生变化。
过去几十年,计算产业主要依靠摩尔定律推动性能提升,通过缩小晶体管尺寸增加单位面积计算能力。但 AI 模型的发展改变了计算需求。现代大语言模型不仅需要大量计算核心,还需要处理海量参数之间的数据交换。
传统 GPU 架构虽然具备强大的并行计算能力,但大型 AI 模型训练通常需要数千甚至数万颗 GPU 协同工作。这意味着系统需要依靠高速互联网络传递大量数据。
例如,在训练一个大型神经网络时,不同 GPU 需要同步模型参数。如果通信速度无法跟上计算速度,GPU 就需要等待数据传输完成,导致整体训练效率下降。
晶圆级设计试图从根源上解决这一问题。通过将更多计算资源集中在同一芯片内部,Cerebras 可以减少跨芯片通信需求,使 AI 模型数据能够更加快速地在计算核心之间传递。
这种设计类似于将一个大型计算城市从多个独立城区合并为一个高度连接的超级城市。虽然制造难度更高,但能够减少不同计算节点之间的交通成本。
WSE 与传统 GPU 最大的区别,在于计算资源组织方式不同。
传统 GPU 架构:传统 AI 服务器通常由多个 GPU 组成,每颗 GPU 都是独立计算单元。为了训练大型模型,需要通过 NVLink、InfiniBand 等高速互联技术连接多个 GPU。这种方式优势在于生态成熟、通用性强,能够支持大量不同类型计算任务。但随着模型规模扩大,系统复杂度和通信成本也不断增加。
WSE 晶圆级架构:WSE 不依赖大量独立芯片组合,而是直接利用整片晶圆提供超大规模计算能力。Cerebras 的设计包含大量 AI 优化计算核心,并通过片上网络连接这些核心,使数据能够在芯片内部快速传输。
两者并不存在简单的替代关系。
GPU 更像通用计算平台,适用于广泛 AI、科学计算和图形处理任务;WSE 则更加针对大规模 AI 工作负载进行优化,尤其适合需要大量矩阵计算和模型参数处理的场景。
未来 AI 基础设施可能并不是单一架构胜出,而是 GPU、专用 AI 芯片以及晶圆级计算共同发展。
通信延迟是 AI 芯片性能提升中的重要挑战。在传统 GPU 集群中,计算任务需要经过多个层级的数据传输:
模型数据从存储进入 GPU;不同 GPU 之间同步参数;服务器之间通过网络交换信息。每增加一个通信环节,就会增加延迟和能源消耗。
WSE 的核心优势之一,就是减少这些外部通信。由于大量计算核心位于同一晶圆内部,数据可以通过高速片上网络传递,而不需要频繁经过外部接口。
这种方式能够降低:
计算节点之间的数据移动距离;
通信等待时间;
额外网络设备需求。
对于 AI 模型训练而言,减少数据移动非常重要。现代 AI 系统中,很多能源消耗并不是来自计算本身,而是来自数据搬运。因此,提升计算效率不仅需要增加算力,也需要优化数据流动方式。
AI 模型训练通常包含大量矩阵运算,例如神经网络中的参数更新、梯度计算以及模型优化。WSE 通过大规模并行计算核心,使大量计算任务能够同时执行。其主要优势体现在几个方面:
晶圆级设计能够容纳更多 AI 专用计算核心,使单个系统拥有更大的计算规模。
模型训练过程中,计算和数据传输需要不断协调。WSE 通过片上通信减少外部连接需求。
随着模型参数规模从数十亿增长到数千亿甚至万亿级别,传统计算方式需要不断增加 GPU 数量,而晶圆级架构提供了一种扩大单体计算规模的方案。
不过,WSE 并不意味着所有 AI 任务都会获得更高性能。不同模型结构、软件优化程度以及应用场景都会影响实际效果。AI 芯片性能最终不仅取决于硬件,也取决于软件生态。
目前 AI 芯片市场中,NVIDIA 仍然占据主导地位,其核心优势来自 GPU 硬件、CUDA 软件生态以及庞大的开发者社区。
NVIDIA GPU 采用成熟的并行计算架构,通过大量 GPU 节点组成 AI 超级计算系统。其优势包括:
软件生态完善;
开发工具成熟;
适用场景广泛;
客户接受度高。
相比之下,Cerebras 的优势集中在晶圆级计算。Cerebras 并不是通过增加更多 GPU 数量提升性能,而是重新设计计算架构,通过扩大单芯片规模减少通信瓶颈。
两家公司代表不同方向:
NVIDIA 代表“更多、更强的 GPU 集群模式”。
Cerebras 代表“更大规模单芯片计算模式”。
未来随着 AI 应用不断细分,两种路线可能分别服务不同需求。例如通用 AI 计算、大规模云计算仍可能依赖 GPU,而特定大型模型训练和高速推理场景可能采用晶圆级架构。
虽然 WSE 具有创新优势,但晶圆级芯片也面临多个技术挑战。
制造难度。晶圆面积远大于传统芯片,制造过程中出现缺陷的概率更高。如何保证整片晶圆稳定运行,是晶圆级设计的重要挑战。Cerebras 通过设计大量冗余机制解决部分制造问题。例如,即使部分计算单元出现缺陷,也可以通过系统架构绕过问题区域。
成本问题。大型晶圆级芯片需要特殊制造流程和封装技术,生产成本较高。
软件生态挑战。NVIDIA 最大优势之一就是 CUDA 生态。如果新的 AI 芯片希望获得市场认可,需要提供完善的软件工具,使开发者能够方便迁移模型。
硬件创新只是第一步,长期竞争还取决于生态建设。
未来 AI 芯片发展可能呈现多元化趋势。
第一,专用 AI 加速器持续发展。随着 AI 应用增加,针对训练、推理以及特定行业场景优化的芯片会越来越多。
第二,芯片与软件深度融合。未来 AI 计算竞争不仅是硬件性能竞争,也是软件生态竞争。能够提供完整开发环境的企业更容易获得市场。
第三,计算架构持续创新。除了 GPU 和晶圆级计算,Chiplet、小型专用芯片、光计算等技术也可能成为未来 AI 基础设施的重要方向。
第四,AI 推理需求增长。过去市场主要关注模型训练,但未来大量 AI 应用需要实时推理能力。低延迟、高能效计算可能成为新的竞争重点。
Cerebras 的 WSE 架构正是在这一趋势下探索新的 AI 计算方式。
Wafer-Scale Engine(WSE)是 Cerebras 针对 AI 时代计算需求推出的晶圆级芯片架构,其核心创新是将整片晶圆作为单一大型 AI 加速器,通过扩大计算规模和优化片上通信,提高 AI 模型训练效率。
相比传统 GPU 集群,WSE 最大优势在于减少芯片之间的数据传输,从架构层面降低通信延迟。但与此同时,晶圆级芯片也面临制造成本高、软件生态建设困难以及市场竞争激烈等挑战。
随着人工智能模型持续扩大,AI 芯片产业正在进入多路线竞争阶段。GPU、专用 AI 芯片以及晶圆级计算各自探索不同方向,而 WSE 代表了未来 AI 基础设施创新的重要尝试。
对于整个 AI 产业而言,未来竞争不仅是算力规模的竞争,更是计算架构效率、能源利用率以及软硬件生态能力的综合竞争。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





