يعتمد التصميم على معالج WSE-3، الذي يُقال إنه يضم 4 تريليونات ترانزستور، و900 ألف نواة محسّنة للذكاء الاصطناعي، و44 غيغابايت من ذاكرة SRAM على الرقاقة. وتمنح مقارنة تقنية لمعالج WSE-3 السابق قدرة حوسبة قصوى تبلغ 125 بيتافلوب، ونطاقاً ترددياً للذاكرة يصل إلى 21 بيتابايت في الثانية.

ويُوصف WSE-3 Turbo بأنه نسخة مرفوعة التردد من التصميم الأساسي نفسه. ووفق التقارير المتاحة، يحتفظ المعالج بعدد النوى نفسه، وسعة SRAM نفسها، وعملية التصنيع بدقة 5 نانومتر، مع رفع مستوى الأداء التشغيلي.

مواصفات WSE-3 Turbo وCS-4

تتضمن الأرقام الرئيسية التي أعلنتها Cerebras أو أوردتها التقارير ما يلي:

• ثلاثة معالجات WSE-3 Turbo في كل رف
• 750 بيتافلوب من قدرة الحوسبة المعلنة لكل رف
• 129.6 بيتابايت في الثانية من نطاق الذاكرة لكل رف
• 7.2 تيرابت في الثانية من نطاق الإدخال والإخراج
• 900 ألف نواة و44 غيغابايت من SRAM لكل معالج
• سرعة تصل إلى ضعف الجيل السابق لكل رقاقة، بحسب Cerebras

وتشير مقارنة نشرتها The Register إلى أن WSE-3 Turbo يرفع الحوسبة المتناثرة FP16 لكل رقاقة من 125 إلى 250 بيتافلوب، ونطاق الذاكرة من 21.6 إلى 43.2 بيتابايت في الثانية، ونطاق الإدخال والإخراج من 1.2 إلى 2.4 تيرابت في الثانية. كما تذكر 25 بيتافلوب من حوسبة FP16 الكثيفة للمعالج Turbo.

لكن هذه الأرقام تمثل قدرات نظرية أو قدرات أبلغت عنها الشركة، وليست مقياساً شاملاً لأداء التطبيقات. فبلوغ رف ما عدداً معيناً من عمليات الفاصلة العائمة في الثانية لا يعني تلقائياً تحقيق العدد نفسه من الرموز في الثانية مع كل نموذج أو إعداد للتشغيل.

لماذا تعتقد Cerebras أنها تستطيع التفوق على عناقيد GPU في زمن الاستجابة؟

توزّع الأنظمة المعتمدة على GPU عادةً عمل النموذج بين معالجات منفصلة عدة. ويمكن لهذا الأسلوب أن يتوسع بكفاءة، لكنه يتطلب أيضاً نقل البيانات بين الرقائق وتنسيق العمليات عبر طبقات الذاكرة والشبكات.

أما استراتيجية Cerebras فتعتمد على وضع عدد هائل من أنوية الحوسبة وطبقة كبيرة من ذاكرة SRAM على معالج واحد واسع النطاق. وتقول الشركة إن WSE-3 يستخدم SRAM مباشرة على الرقاقة، بدلاً من الاعتماد على ذاكرة HBM الخارجية الشائعة في وحدات GPU. والفائدة المستهدفة هي تقليل كلفة الاتصال أثناء فك الترميز رمزاً بعد رمز، حيث يمكن لكل رمز جديد أن يتأثر بتأخر الوصول إلى الذاكرة ومزامنة العمليات.

لهذا يبدو CS-4 أكثر إقناعاً في مجال سرعة الاستجابة لكل مستخدم، ولا سيما في التطبيقات التفاعلية. وهذه منافسة أكثر تخصصاً لـNvidia، وليست دليلاً على أن الأنظمة واسعة النطاق أفضل في كل أعباء الذكاء الاصطناعي. فالتدريب، والاستدلال عالي الإنتاجية، وحجم النموذج، ومتطلبات الذاكرة، وتوافق البرمجيات، كلها عوامل قد تغيّر نتيجة المقارنة.

ماذا تعني عبارة «أسرع 30 مرة»؟

تروّج Cerebras لنظام CS-4 باعتباره يحقق استدلالاً أسرع بما يصل إلى 30 مرة من أنظمة GPU. لكن تغطية الإطلاق تضع هذه المقارنة تحديداً في إطار عدد الرموز في الثانية لكل مستخدم، وليس تحسناً عاماً بمقدار 30 مرة في جميع أعباء العمل.

وهذا التفصيل مهم. فأي مقارنة موثوقة بين مسرّعات الذكاء الاصطناعي تحتاج، على الأقل، إلى تحديد:

• النموذج وعدد معاييره
• نظام GPU المستخدم كخط أساس
• حجم الدفعة وعدد المستخدمين المتزامنين
• طول سياق الإدخال
• طول المخرجات
• الدقة ومستوى التكميم
• ما إذا كان القياس يشمل مرحلة التمهيد، أو فك الترميز، أو كليهما
• استهلاك الطاقة وتكاليف العتاد والتشغيل

ولا تقدم الأدلة المتاحة جميع هذه التفاصيل ضمن اختبار يمكن تكراره وتدقيقه بصورة مستقلة. لذلك ينبغي التعامل مع رقم 30 ضعفاً باعتباره ادعاءً من Cerebras مرتبطاً بظروف تشغيل محددة، لا باعتباره تفوقاً مضموناً على كل عملية نشر تعتمد على Nvidia.

التحفظ المرتبط بالتناثر في أرقام FLOPS

قد تكون أرقام قدرة الحوسبة القصوى مضللة خصوصاً عندما تعتمد على الحسابات المتناثرة. ويشير أحد التحليلات إلى أن رقم 125 بيتافلوب لحوسبة FP16 في WSE-3 هو رقم متناثر مبني على افتراض نسبة تناثر غير منتظم تبلغ 8 إلى 1. ويقدّر التحليل قدرة الحوسبة الكثيفة بنحو 15.625 بيتافلوب بدلاً من ذلك.

وينطبق التحفظ نفسه عند تفسير رقم 250 بيتافلوب المتناثر المعلن لـWSE-3 Turbo، ورقم 25 بيتافلوب للحوسبة الكثيفة. وتكون القدرة القصوى المتناثرة مفيدة عندما يستطيع النموذج ومكدس البرمجيات استغلال نمط التناثر المطلوب بكفاءة. لكنها لا تصف تلقائياً أداء نموذج لغة كبير كثيف.

وعملياً، تعدّ مقاييس مثل زمن الاستجابة من البداية إلى النهاية، وعدد الرموز المستدام في الثانية، والإنتاجية عند مستوى تزامن محدد، واستهلاك الطاقة، وتكلفة كل رمز مولّد، أكثر فائدة لتقييم الاستدلال. كما يمكن أن تختلف النتائج بحسب حجم ذاكرة KV-cache، وتقسيم النموذج بين المعالجات، والتجميع، ومزيج التمهيد وفك الترميز، والتكميم، ونضج بيئة التشغيل.

معمارية Nexus وموعد الإتاحة

يوصف CS-4 بأنه أول نظام مبني على معمارية منصة Nexus التابعة لـCerebras. وأفادت Reuters بأن الرف كان متوقعاً أن يصبح متاحاً في الربع الثالث من عام 2026، بينما ذكرت تغطية الإطلاق أن الشحنات الأولى ستبدأ خلال الربع الجاري.

لكن المصادر المتاحة لا تقدم تفاصيل كافية للتحقق من كل الخصائص المعمارية التي طُرحت في النقاش الأصلي. وبوجه خاص، لا تؤكد بصورة مستقلة وجود تصميم معياري باسم «حقيبة ظهر»، أو شبكة ربط ثنائية الأبعاد من نوع torus بلا محوّلات، أو خصائص التبريد والطاقة الدقيقة للرف، أو خطة ملتزم بها للطاقة الحوسبية الإجمالية. لذلك لا ينبغي عرض هذه النقاط كمواصفات محسومة لـCS-4 من دون وثائق أقوى.

شراكات AWS وAMD

لدى Cerebras تعاون موثق مع Amazon Web Services يركز على الاستدلال المنفصل إلى مرحلتين. ففي هذا النموذج تتولى أنظمة AWS Trainium مرحلة التمهيد، بينما تتولى أنظمة Cerebras CS-3 فك الترميز؛ ويرتبط الطرفان عبر تقنية Elastic Fabric Adapter من Amazon، وتتاح الخدمة من خلال Amazon Bedrock.

وتكشف هذه الشراكة أن معمارية Cerebras يمكن أن تكمل المسرّعات الأخرى، لا أن تحل محلها بالضرورة. فمرحلة التمهيد ومرحلة فك الترميز تختلفان في خصائص الأداء، ما يتيح للنظام الهجين إسناد كل مرحلة إلى العتاد الأنسب لها.

كما تصف التقارير المتاحة إعداداً يجمع بين وحدات GPU من AMD ومعالجات Cerebras، بحيث تتولى وحدات AMD التمهيد وتتعامل Cerebras مع فك الترميز. وقال مسؤولون تنفيذيون في Cerebras إن هذا الترتيب قد يرفع الإنتاجية خمسة أضعاف، مع توقع نشره في الربع الرابع من عام 2026. وهذه تصريحات مستقبلية من الشركة، وليست نتائج إنتاجية تحققت بصورة مستقلة.

ولا تثبت الأدلة أن AWS أو AMD التزمتا بنشر محدد لـCS-4 على نطاق معلن. وهي تدعم وجود شراكات وأعمال مخطط لها في مجال الاستدلال الهجين، لكنها لا تضمن زيادة في الإنتاجية لكل عميل أو كل إعداد.

هل يستطيع CS-4 استبدال Nvidia؟

ليس بعد. يمثل CS-4 تحدياً معمارياً جدياً في قطاع أضيق لكنه مهم: فك ترميز نماذج اللغة الكبيرة بزمن استجابة منخفض للمستخدمين التفاعليين. فالمعالج واسع النطاق، وذاكرة SRAM الموجودة على الرقاقة، ونطاق الاتصال الداخلي المرتفع، صُممت لتقليل تكاليف الاتصال التي تظهر عند توزيع الاستدلال على عدد كبير من وحدات GPU المنفصلة.

لكن موقع Nvidia لا تحدده أرقام المسرّعات القصوى وحدها. فالمنظومة البرمجية، ودعم النماذج، وتوافر العتاد، والشبكات، والتكلفة الإجمالية للملكية، والقدرة على تشغيل نماذج وأعباء عمل متنوعة، عوامل لا تقل أهمية. كما تحتاج دعوى Cerebras الخاصة بالسرعة البالغة 30 ضعفاً إلى اختبارات متطابقة قبل استخدامها كحجة عامة على إزاحة وحدات GPU.

والخلاصة الأكثر تحفظاً أن CS-4 يوسّع الخيارات المتاحة أمام البنية التحتية لاستدلال الذكاء الاصطناعي. وقد يكون جذاباً خصوصاً عندما تكون سرعة توليد الرموز لكل مستخدم هي الأولوية؛ أما تحديد ما إذا كان أسرع أو أقل تكلفة في عملية نشر معينة، فيتوقف على طبيعة عبء العمل ومنهجية الاختبار.

يعتمد التصميم على معالج WSE-3، الذي يُقال إنه يضم 4 تريليونات ترانزستور، و900 ألف نواة محسّنة للذكاء الاصطناعي، و44 غيغابايت من ذاكرة SRAM على الرقاقة. وتمنح مقارنة تقنية لمعالج WSE-3 السابق قدرة حوسبة قصوى تبلغ 125 بيتافلوب، ونطاقاً ترددياً للذاكرة يصل إلى 21 بيتابايت في الثانية.

ويُوصف WSE-3 Turbo بأنه نسخة مرفوعة التردد من التصميم الأساسي نفسه. ووفق التقارير المتاحة، يحتفظ المعالج بعدد النوى نفسه، وسعة SRAM نفسها، وعملية التصنيع بدقة 5 نانومتر، مع رفع مستوى الأداء التشغيلي.

مواصفات WSE-3 Turbo وCS-4

تتضمن الأرقام الرئيسية التي أعلنتها Cerebras أو أوردتها التقارير ما يلي:

• ثلاثة معالجات WSE-3 Turbo في كل رف
• 750 بيتافلوب من قدرة الحوسبة المعلنة لكل رف
• 129.6 بيتابايت في الثانية من نطاق الذاكرة لكل رف
• 7.2 تيرابت في الثانية من نطاق الإدخال والإخراج
• 900 ألف نواة و44 غيغابايت من SRAM لكل معالج
• سرعة تصل إلى ضعف الجيل السابق لكل رقاقة، بحسب Cerebras

وتشير مقارنة نشرتها The Register إلى أن WSE-3 Turbo يرفع الحوسبة المتناثرة FP16 لكل رقاقة من 125 إلى 250 بيتافلوب، ونطاق الذاكرة من 21.6 إلى 43.2 بيتابايت في الثانية، ونطاق الإدخال والإخراج من 1.2 إلى 2.4 تيرابت في الثانية. كما تذكر 25 بيتافلوب من حوسبة FP16 الكثيفة للمعالج Turbo.

لكن هذه الأرقام تمثل قدرات نظرية أو قدرات أبلغت عنها الشركة، وليست مقياساً شاملاً لأداء التطبيقات. فبلوغ رف ما عدداً معيناً من عمليات الفاصلة العائمة في الثانية لا يعني تلقائياً تحقيق العدد نفسه من الرموز في الثانية مع كل نموذج أو إعداد للتشغيل.

لماذا تعتقد Cerebras أنها تستطيع التفوق على عناقيد GPU في زمن الاستجابة؟

توزّع الأنظمة المعتمدة على GPU عادةً عمل النموذج بين معالجات منفصلة عدة. ويمكن لهذا الأسلوب أن يتوسع بكفاءة، لكنه يتطلب أيضاً نقل البيانات بين الرقائق وتنسيق العمليات عبر طبقات الذاكرة والشبكات.

أما استراتيجية Cerebras فتعتمد على وضع عدد هائل من أنوية الحوسبة وطبقة كبيرة من ذاكرة SRAM على معالج واحد واسع النطاق. وتقول الشركة إن WSE-3 يستخدم SRAM مباشرة على الرقاقة، بدلاً من الاعتماد على ذاكرة HBM الخارجية الشائعة في وحدات GPU. والفائدة المستهدفة هي تقليل كلفة الاتصال أثناء فك الترميز رمزاً بعد رمز، حيث يمكن لكل رمز جديد أن يتأثر بتأخر الوصول إلى الذاكرة ومزامنة العمليات.

لهذا يبدو CS-4 أكثر إقناعاً في مجال سرعة الاستجابة لكل مستخدم، ولا سيما في التطبيقات التفاعلية. وهذه منافسة أكثر تخصصاً لـNvidia، وليست دليلاً على أن الأنظمة واسعة النطاق أفضل في كل أعباء الذكاء الاصطناعي. فالتدريب، والاستدلال عالي الإنتاجية، وحجم النموذج، ومتطلبات الذاكرة، وتوافق البرمجيات، كلها عوامل قد تغيّر نتيجة المقارنة.

ماذا تعني عبارة «أسرع 30 مرة»؟

تروّج Cerebras لنظام CS-4 باعتباره يحقق استدلالاً أسرع بما يصل إلى 30 مرة من أنظمة GPU. لكن تغطية الإطلاق تضع هذه المقارنة تحديداً في إطار عدد الرموز في الثانية لكل مستخدم، وليس تحسناً عاماً بمقدار 30 مرة في جميع أعباء العمل.

وهذا التفصيل مهم. فأي مقارنة موثوقة بين مسرّعات الذكاء الاصطناعي تحتاج، على الأقل، إلى تحديد:

• النموذج وعدد معاييره
• نظام GPU المستخدم كخط أساس
• حجم الدفعة وعدد المستخدمين المتزامنين
• طول سياق الإدخال
• طول المخرجات
• الدقة ومستوى التكميم
• ما إذا كان القياس يشمل مرحلة التمهيد، أو فك الترميز، أو كليهما
• استهلاك الطاقة وتكاليف العتاد والتشغيل

ولا تقدم الأدلة المتاحة جميع هذه التفاصيل ضمن اختبار يمكن تكراره وتدقيقه بصورة مستقلة. لذلك ينبغي التعامل مع رقم 30 ضعفاً باعتباره ادعاءً من Cerebras مرتبطاً بظروف تشغيل محددة، لا باعتباره تفوقاً مضموناً على كل عملية نشر تعتمد على Nvidia.

التحفظ المرتبط بالتناثر في أرقام FLOPS

قد تكون أرقام قدرة الحوسبة القصوى مضللة خصوصاً عندما تعتمد على الحسابات المتناثرة. ويشير أحد التحليلات إلى أن رقم 125 بيتافلوب لحوسبة FP16 في WSE-3 هو رقم متناثر مبني على افتراض نسبة تناثر غير منتظم تبلغ 8 إلى 1. ويقدّر التحليل قدرة الحوسبة الكثيفة بنحو 15.625 بيتافلوب بدلاً من ذلك.

وينطبق التحفظ نفسه عند تفسير رقم 250 بيتافلوب المتناثر المعلن لـWSE-3 Turbo، ورقم 25 بيتافلوب للحوسبة الكثيفة. وتكون القدرة القصوى المتناثرة مفيدة عندما يستطيع النموذج ومكدس البرمجيات استغلال نمط التناثر المطلوب بكفاءة. لكنها لا تصف تلقائياً أداء نموذج لغة كبير كثيف.

وعملياً، تعدّ مقاييس مثل زمن الاستجابة من البداية إلى النهاية، وعدد الرموز المستدام في الثانية، والإنتاجية عند مستوى تزامن محدد، واستهلاك الطاقة، وتكلفة كل رمز مولّد، أكثر فائدة لتقييم الاستدلال. كما يمكن أن تختلف النتائج بحسب حجم ذاكرة KV-cache، وتقسيم النموذج بين المعالجات، والتجميع، ومزيج التمهيد وفك الترميز، والتكميم، ونضج بيئة التشغيل.

معمارية Nexus وموعد الإتاحة

يوصف CS-4 بأنه أول نظام مبني على معمارية منصة Nexus التابعة لـCerebras. وأفادت Reuters بأن الرف كان متوقعاً أن يصبح متاحاً في الربع الثالث من عام 2026، بينما ذكرت تغطية الإطلاق أن الشحنات الأولى ستبدأ خلال الربع الجاري.

لكن المصادر المتاحة لا تقدم تفاصيل كافية للتحقق من كل الخصائص المعمارية التي طُرحت في النقاش الأصلي. وبوجه خاص، لا تؤكد بصورة مستقلة وجود تصميم معياري باسم «حقيبة ظهر»، أو شبكة ربط ثنائية الأبعاد من نوع torus بلا محوّلات، أو خصائص التبريد والطاقة الدقيقة للرف، أو خطة ملتزم بها للطاقة الحوسبية الإجمالية. لذلك لا ينبغي عرض هذه النقاط كمواصفات محسومة لـCS-4 من دون وثائق أقوى.

شراكات AWS وAMD

لدى Cerebras تعاون موثق مع Amazon Web Services يركز على الاستدلال المنفصل إلى مرحلتين. ففي هذا النموذج تتولى أنظمة AWS Trainium مرحلة التمهيد، بينما تتولى أنظمة Cerebras CS-3 فك الترميز؛ ويرتبط الطرفان عبر تقنية Elastic Fabric Adapter من Amazon، وتتاح الخدمة من خلال Amazon Bedrock.

وتكشف هذه الشراكة أن معمارية Cerebras يمكن أن تكمل المسرّعات الأخرى، لا أن تحل محلها بالضرورة. فمرحلة التمهيد ومرحلة فك الترميز تختلفان في خصائص الأداء، ما يتيح للنظام الهجين إسناد كل مرحلة إلى العتاد الأنسب لها.

كما تصف التقارير المتاحة إعداداً يجمع بين وحدات GPU من AMD ومعالجات Cerebras، بحيث تتولى وحدات AMD التمهيد وتتعامل Cerebras مع فك الترميز. وقال مسؤولون تنفيذيون في Cerebras إن هذا الترتيب قد يرفع الإنتاجية خمسة أضعاف، مع توقع نشره في الربع الرابع من عام 2026. وهذه تصريحات مستقبلية من الشركة، وليست نتائج إنتاجية تحققت بصورة مستقلة.

ولا تثبت الأدلة أن AWS أو AMD التزمتا بنشر محدد لـCS-4 على نطاق معلن. وهي تدعم وجود شراكات وأعمال مخطط لها في مجال الاستدلال الهجين، لكنها لا تضمن زيادة في الإنتاجية لكل عميل أو كل إعداد.

هل يستطيع CS-4 استبدال Nvidia؟

ليس بعد. يمثل CS-4 تحدياً معمارياً جدياً في قطاع أضيق لكنه مهم: فك ترميز نماذج اللغة الكبيرة بزمن استجابة منخفض للمستخدمين التفاعليين. فالمعالج واسع النطاق، وذاكرة SRAM الموجودة على الرقاقة، ونطاق الاتصال الداخلي المرتفع، صُممت لتقليل تكاليف الاتصال التي تظهر عند توزيع الاستدلال على عدد كبير من وحدات GPU المنفصلة.

لكن موقع Nvidia لا تحدده أرقام المسرّعات القصوى وحدها. فالمنظومة البرمجية، ودعم النماذج، وتوافر العتاد، والشبكات، والتكلفة الإجمالية للملكية، والقدرة على تشغيل نماذج وأعباء عمل متنوعة، عوامل لا تقل أهمية. كما تحتاج دعوى Cerebras الخاصة بالسرعة البالغة 30 ضعفاً إلى اختبارات متطابقة قبل استخدامها كحجة عامة على إزاحة وحدات GPU.

والخلاصة الأكثر تحفظاً أن CS-4 يوسّع الخيارات المتاحة أمام البنية التحتية لاستدلال الذكاء الاصطناعي. وقد يكون جذاباً خصوصاً عندما تكون سرعة توليد الرموز لكل مستخدم هي الأولوية؛ أما تحديد ما إذا كان أسرع أو أقل تكلفة في عملية نشر معينة، فيتوقف على طبيعة عبء العمل ومنهجية الاختبار.