ABD ve Çin Yapay Zeka Çipleri: Mimari, Performans ve Ekosistem Karşılaştırması
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda. Çin'in stratejisi, büyük ölçekli model eğitimi ve çıkarım için tasarlanmış ve genellikle ABD çipleriyle rekabet etmek için büyük kü...
YayımlayanGPT-5.5 ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda.
Çin'in stratejisi, büyük ölçekli model eğitimi ve çıkarım için tasarlanmış ve genellikle ABD çipleriyle rekabet etmek için büyük küme sistemleriyle eşleştirilen Huawei Ascend 910 serisi ve Biren BR100 GPU'ları gibi yu...
ABD'nin avantajı çiplerin ötesine geçerek yazılım ekosistemlerine ve üretim tedarik zincirlerine kadar uzanırken, Çin'in ilerlemesi yerli tasarımları ölçeklendirmeye ve bağımsız bir yapay zeka altyapısı inşa etmeye od...
Research US vs China AI Chips and compare them as comprehensively as possible in table formatThe global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com
Küresel yapay zeka (YZ) yarışı, büyük ölçüde ABD ve Çin çip ekosistemleri arasındaki rekabetle şekilleniyor. Amerika Birleşik Devletleri, Nvidia, AMD ve Google gibi şirketlerle yüksek performanslı hızlandırıcı pazarına hakimken, Çin, Huawei, Biren ve Cambricon aracılığıyla kendi alternatiflerini üretiyor.
Her iki ülke de artık eğitim ve çıkarım için özelleşmiş YZ hızlandırıcıları üretiyor olsa da, rekabet yalnızca ham çip performansıyla sınırlı değil; bellek bant genişliği, üretim kabiliyeti, yazılım ekosistemleri ve büyük ölçekli küme tasarımı gibi faktörleri de kapsıyor.
İşte mevcut belgelenmiş özellikler kullanılarak her iki taraftaki önemli YZ çiplerinin kapsamlı bir karşılaştırması.
ABD-Çin Rekabetindeki Başlıca YZ Çipleri
Amerika Birleşik Devletleri
AMD Instinct MI325X
Google TPU v6e (Trillium)
Çin
Huawei Ascend 910 serisi (910C dahil)
Biren BR100 / BR104
Cambricon MLU370‑X8
Bu çipler, öncelikle büyük dil modellerinin (LLM'ler) eğitimi, çıkarım hizmetleri ve bilimsel hesaplama gibi büyük ölçekli YZ iş yükleri için tasarlanmıştır.
Kapsamlı Çip Karşılaştırması
Çip
Ülke / Şirket
Mimari / Üretim Süreci
Tepe Hesaplama Gücü
Bellek
Bellek Bant Genişliği
Güç Tüketimi
Öne Çıkan Özellikler
AMD Instinct MI325X
ABD / AMD
CDNA3 hızlandırıcı mimarisi
~1,3 PFLOPS FP16 (seyreklik ile 2,6 PFLOPS FP8)
256GB HBM3E
~6 TB/s
750–1000W'a kadar
Büyük model eğitimi ve çıkarım iş yükleri için tasarlanmış büyük HBM kapasitesi.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "ABD ve Çin Yapay Zeka Çipleri: Mimari, Performans ve Ekosistem Karşılaştırması"?
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda.
What are the key points to validate first?
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda. Çin'in stratejisi, büyük ölçekli model eğitimi ve çıkarım için tasarlanmış ve genellikle ABD çipleriyle rekabet etmek için büyük küme sistemleriyle eşleştirilen Huawei Ascend 910 serisi ve Biren BR100 GPU'ları gibi yu...
What should I do next in practice?
ABD'nin avantajı çiplerin ötesine geçerek yazılım ekosistemlerine ve üretim tedarik zincirlerine kadar uzanırken, Çin'in ilerlemesi yerli tasarımları ölçeklendirmeye ve bağımsız bir yapay zeka altyapısı inşa etmeye od...
ABD ve Çin Yapay Zeka Çipleri: Mimari, Performans ve Ekosistem Karşılaştırması
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda. Çin'in stratejisi, büyük ölçekli model eğitimi ve çıkarım için tasarlanmış ve genellikle ABD çipleriyle rekabet etmek için büyük kü...
YayımlayanGPT-5.5 ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda.
Çin'in stratejisi, büyük ölçekli model eğitimi ve çıkarım için tasarlanmış ve genellikle ABD çipleriyle rekabet etmek için büyük küme sistemleriyle eşleştirilen Huawei Ascend 910 serisi ve Biren BR100 GPU'ları gibi yu...
ABD'nin avantajı çiplerin ötesine geçerek yazılım ekosistemlerine ve üretim tedarik zincirlerine kadar uzanırken, Çin'in ilerlemesi yerli tasarımları ölçeklendirmeye ve bağımsız bir yapay zeka altyapısı inşa etmeye od...
Research US vs China AI Chips and compare them as comprehensively as possible in table formatThe global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com
Küresel yapay zeka (YZ) yarışı, büyük ölçüde ABD ve Çin çip ekosistemleri arasındaki rekabetle şekilleniyor. Amerika Birleşik Devletleri, Nvidia, AMD ve Google gibi şirketlerle yüksek performanslı hızlandırıcı pazarına hakimken, Çin, Huawei, Biren ve Cambricon aracılığıyla kendi alternatiflerini üretiyor.
Her iki ülke de artık eğitim ve çıkarım için özelleşmiş YZ hızlandırıcıları üretiyor olsa da, rekabet yalnızca ham çip performansıyla sınırlı değil; bellek bant genişliği, üretim kabiliyeti, yazılım ekosistemleri ve büyük ölçekli küme tasarımı gibi faktörleri de kapsıyor.
İşte mevcut belgelenmiş özellikler kullanılarak her iki taraftaki önemli YZ çiplerinin kapsamlı bir karşılaştırması.
ABD-Çin Rekabetindeki Başlıca YZ Çipleri
Amerika Birleşik Devletleri
AMD Instinct MI325X
Google TPU v6e (Trillium)
Çin
Huawei Ascend 910 serisi (910C dahil)
Biren BR100 / BR104
Cambricon MLU370‑X8
Bu çipler, öncelikle büyük dil modellerinin (LLM'ler) eğitimi, çıkarım hizmetleri ve bilimsel hesaplama gibi büyük ölçekli YZ iş yükleri için tasarlanmıştır.
Kapsamlı Çip Karşılaştırması
Çip
Ülke / Şirket
Mimari / Üretim Süreci
Tepe Hesaplama Gücü
Bellek
Bellek Bant Genişliği
Güç Tüketimi
Öne Çıkan Özellikler
AMD Instinct MI325X
ABD / AMD
CDNA3 hızlandırıcı mimarisi
~1,3 PFLOPS FP16 (seyreklik ile 2,6 PFLOPS FP8)
256GB HBM3E
~6 TB/s
750–1000W'a kadar
Büyük model eğitimi ve çıkarım iş yükleri için tasarlanmış büyük HBM kapasitesi.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "ABD ve Çin Yapay Zeka Çipleri: Mimari, Performans ve Ekosistem Karşılaştırması"?
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda.
What are the key points to validate first?
ABD, AMD'nin MI325X (≈1,3 PFLOPS FP16 ve 256GB HBM3E) ve Google'ın TPU v6e (çip başına 918 TFLOPs bf16) gibi çiplerle belgelenmiş yüksek performans ve ekosistem ölçeğinde lider durumda. Çin'in stratejisi, büyük ölçekli model eğitimi ve çıkarım için tasarlanmış ve genellikle ABD çipleriyle rekabet etmek için büyük küme sistemleriyle eşleştirilen Huawei Ascend 910 serisi ve Biren BR100 GPU'ları gibi yu...
What should I do next in practice?
ABD'nin avantajı çiplerin ötesine geçerek yazılım ekosistemlerine ve üretim tedarik zincirlerine kadar uzanırken, Çin'in ilerlemesi yerli tasarımları ölçeklendirmeye ve bağımsız bir yapay zeka altyapısı inşa etmeye od...
Her biri iki matris çarpma birimine sahip bir TensorCore; 256 çipe kadar büyük TPU podları için tasarlanmıştır.
Huawei Ascend 910 (orijinal)
Çin / Huawei
Da Vinci mimarisi, ~7 nm
~256 TFLOPS FP16
HBM belleği
~1,2 TB/s bant genişliği
~350W
2019'da Huawei'nin amiral gemisi YZ hızlandırıcısı olarak tanıtıldı.
Huawei Ascend 910C
Çin / Huawei
Chiplet tasarımı (çift 910B kalıbı), ~7 nm sınıfı
~800 TFLOPS FP16 (tahmini)
96–128GB'a kadar HBM
~3,2 TB/s
~310W
YZ eğitimi için Nvidia A100/H100 sınıfı çiplerle rekabet etmek üzere tasarlandı.
Biren BR100
Çin / Biren Technology
Çift kalıplı GPU, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64GB HBM2E
~2,3 TB/s'ye kadar
~550W
Veri merkezi YZ'sini hedefleyen, ~77 milyar transistörlü chiplet tarzı GPU.
Biren BR104
Çin / Biren Technology
Tek kalıplı GPU varyantı
~128 TFLOPS FP32
32GB HBM2E
~819 GB/s
~300W
PCIe hızlandırıcı kartları için tasarlanmış alt seviye varyant.
Cambricon MLU370‑X8
Çin / Cambricon
MLUarch03 mimarisi, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48GB LPDDR5
~614 GB/s
~250W
MLU-Link ara bağlantısı aracılığıyla çok kartlı kümeleri destekler.
Mimari ve Hesaplama Performansı
ABD hızlandırıcıları, büyük ölçekli YZ eğitimi için belgelenmiş ham hesaplama verimliliğinde şu anda lider durumda. Örneğin, AMD'nin MI325X'i yaklaşık 1,3 PFLOPS FP16 performansına ulaşırken, Google'ın TPU v6e'si çip başına 918 TFLOPs bf16 sunuyor.
Huawei'nin Ascend 910C'si gibi Çin çipleri, önceki Ascend çiplerinden türetilen çift çiplet konfigürasyonuyla yaklaşık 800 TFLOPS FP16 tahminiyle bu farkı kapatmayı hedefliyor.
Biren'in BR100 hızlandırıcısı, çok kalıplı bir GPU tasarımında 256 TFLOPS FP32 hesaplama ve yaklaşık 2.048 TOPS INT8 performansına kadar ulaşarak Çin'in üst seviyedeki bir başka rekabet girişimini temsil ediyor.
Cambricon'un MLU370-X8'i, 256 TOPS INT8 ve 96 TFLOPS FP16 hesaplama kapasitesiyle YZ çıkarımı ve eğitim iş yüklerini hedefliyor.
Bellek ve Bant Genişliği
Modern YZ modelleri büyük ölçüde bellek kapasitesi ve bant genişliğine bağımlıdır, bu da HBM entegrasyonunu kritik hale getirir.
AMD MI325X, YZ hızlandırıcıları arasındaki en büyük bellek kapasitelerinden biri olan 256GB HBM3E bellek ve yaklaşık 6 TB/s bant genişliği içerir.
TPU v6e, yaklaşık 1,6 TB/s bant genişliğine sahip 32GB HBM kullanır, ancak TPU podlarında yüzlerce birbirine bağlı çipe ölçeklenecek şekilde tasarlanmıştır.
Huawei Ascend 910C'nin, büyük ölçekli model iş yüklerini destekleyerek yaklaşık 3,2 TB/s bellek bant genişliğine ulaştığı bildiriliyor.
Biren BR100, 64GB HBM2E bellek ve yaklaşık 2,3 TB/s bant genişliği içerir.
Daha yüksek bellek bant genişliği, genellikle büyük tensörleri bellek ve hesaplama birimleri arasında taşıyan matris işlemlerini ve büyük model eğitimini hızlandırmaya yardımcı olur.
Ara Bağlantı ve Ölçeklendirme
Büyük YZ modelleri nadiren tek bir çip üzerinde eğitilir. Bunun yerine, yüzlerce veya binlerce hızlandırıcı kümeler halinde birbirine bağlanır.
Google'ın TPU v6e çipleri, 256 çipe kadar TPU podları için tasarlanmış özel bir Çipler Arası Bağlantı (ICI) ağı kullanarak bağlanır.
Cambricon'un MLU370-X8'i, çoklu GPU eğitimi için kartlar arasında 200GB/s iletişim verimi sağlayan MLU-Link'i kullanır.
Biren GPU'ları, çoklu hızlandırıcı kümeleri için tasarlanmış yüksek hızlı GPU'lar arası bağlantı linkleri içerir.
Küme mimarisi, tek bir çipin ham hesaplama performansı kadar önemli hale geliyor.
Üretim ve Tedarik Zincirleri
Üretim teknolojisi, performansı ve enerji verimliliğini güçlü bir şekilde etkiler.
Birçok Çinli YZ çipi, harici üretim teknolojilerine güveniyor. Örneğin, Biren'in BR100'ü TSMC'nin 7 nm süreci ve gelişmiş CoWoS paketlemesi kullanılarak üretildi.
Huawei'nin yeni nesil Ascend çipleri, SMIC'in 7 nm sınıfı sürecinde üretilen tasarımları, ABD ihracat kısıtlamalarından önce üretilmiş eski plakalarla birleştiriyor.
Buna karşılık, ABD tasarımı çipler genellikle son teknoloji düğümler ve paketleme teknolojileri üretebilen gelişmiş dökümhanelere ve tedarik zincirlerine güveniyor.
Ekosistem ve Yazılım
Donanım performansı tek başına YZ hesaplamada başarıyı belirlemez.
ABD çipleri, CUDA (Nvidia), ROCm (AMD) ve Google'ın TPU yazılım yığını gibi olgun ekosistemlerden yararlanır.
Huawei, yerel bir YZ yazılım ekosistemi oluşturmak için Ascend çipleri için CANN (Compute Architecture for Neural Networks) çerçevesini teşvik ediyor.
Geliştirici araçları, çerçeveler ve bulut entegrasyonu, genellikle hangi donanımın gerçek dünya YZ iş yükleri için benimsendiğini belirler.
Karşılaştırmanın Gösterdikleri
Mevcut nesil YZ hızlandırıcılarından birkaç eğilim ortaya çıkıyor:
Performans liderliği: ABD hızlandırıcıları şu anda daha yüksek belgelenmiş tepe hesaplama ve bellek kapasiteleri gösteriyor.
Yerel alternatifler: Çin, ABD donanımına olan bağımlılığı azaltmak için Ascend, Biren GPU'ları ve Cambricon hızlandırıcıları dahil olmak üzere birden fazla rakip çip hattı oluşturdu.
Küme stratejisi: Her iki taraf da giderek artan bir şekilde tek tek çipler yerine büyük YZ sistemleri ve süper bilgisayar ölçeğindeki kümeler aracılığıyla rekabet ediyor.
YZ çip yarışı bu nedenle yalnızca transistör sayıları veya TFLOP'larla ilgili bir yarış değil; aynı zamanda ekosistemler, üretim kabiliyeti ve binlerce hızlandırıcıyı verimli bir YZ altyapısına ölçeklendirme yeteneği arasında bir rekabettir.
Üretken YZ modelleri büyümeye devam ettikçe, mimari, bellek sistemleri ve yazılım ekosistemlerindeki bu farklılıklar muhtemelen hangi platformların gelecekteki YZ hesaplamasına hakim olacağını belirleyecektir.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
Her biri iki matris çarpma birimine sahip bir TensorCore; 256 çipe kadar büyük TPU podları için tasarlanmıştır.
Huawei Ascend 910 (orijinal)
Çin / Huawei
Da Vinci mimarisi, ~7 nm
~256 TFLOPS FP16
HBM belleği
~1,2 TB/s bant genişliği
~350W
2019'da Huawei'nin amiral gemisi YZ hızlandırıcısı olarak tanıtıldı.
Huawei Ascend 910C
Çin / Huawei
Chiplet tasarımı (çift 910B kalıbı), ~7 nm sınıfı
~800 TFLOPS FP16 (tahmini)
96–128GB'a kadar HBM
~3,2 TB/s
~310W
YZ eğitimi için Nvidia A100/H100 sınıfı çiplerle rekabet etmek üzere tasarlandı.
Biren BR100
Çin / Biren Technology
Çift kalıplı GPU, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64GB HBM2E
~2,3 TB/s'ye kadar
~550W
Veri merkezi YZ'sini hedefleyen, ~77 milyar transistörlü chiplet tarzı GPU.
Biren BR104
Çin / Biren Technology
Tek kalıplı GPU varyantı
~128 TFLOPS FP32
32GB HBM2E
~819 GB/s
~300W
PCIe hızlandırıcı kartları için tasarlanmış alt seviye varyant.
Cambricon MLU370‑X8
Çin / Cambricon
MLUarch03 mimarisi, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48GB LPDDR5
~614 GB/s
~250W
MLU-Link ara bağlantısı aracılığıyla çok kartlı kümeleri destekler.
Mimari ve Hesaplama Performansı
ABD hızlandırıcıları, büyük ölçekli YZ eğitimi için belgelenmiş ham hesaplama verimliliğinde şu anda lider durumda. Örneğin, AMD'nin MI325X'i yaklaşık 1,3 PFLOPS FP16 performansına ulaşırken, Google'ın TPU v6e'si çip başına 918 TFLOPs bf16 sunuyor.
Huawei'nin Ascend 910C'si gibi Çin çipleri, önceki Ascend çiplerinden türetilen çift çiplet konfigürasyonuyla yaklaşık 800 TFLOPS FP16 tahminiyle bu farkı kapatmayı hedefliyor.
Biren'in BR100 hızlandırıcısı, çok kalıplı bir GPU tasarımında 256 TFLOPS FP32 hesaplama ve yaklaşık 2.048 TOPS INT8 performansına kadar ulaşarak Çin'in üst seviyedeki bir başka rekabet girişimini temsil ediyor.
Cambricon'un MLU370-X8'i, 256 TOPS INT8 ve 96 TFLOPS FP16 hesaplama kapasitesiyle YZ çıkarımı ve eğitim iş yüklerini hedefliyor.
Bellek ve Bant Genişliği
Modern YZ modelleri büyük ölçüde bellek kapasitesi ve bant genişliğine bağımlıdır, bu da HBM entegrasyonunu kritik hale getirir.
AMD MI325X, YZ hızlandırıcıları arasındaki en büyük bellek kapasitelerinden biri olan 256GB HBM3E bellek ve yaklaşık 6 TB/s bant genişliği içerir.
TPU v6e, yaklaşık 1,6 TB/s bant genişliğine sahip 32GB HBM kullanır, ancak TPU podlarında yüzlerce birbirine bağlı çipe ölçeklenecek şekilde tasarlanmıştır.
Huawei Ascend 910C'nin, büyük ölçekli model iş yüklerini destekleyerek yaklaşık 3,2 TB/s bellek bant genişliğine ulaştığı bildiriliyor.
Biren BR100, 64GB HBM2E bellek ve yaklaşık 2,3 TB/s bant genişliği içerir.
Daha yüksek bellek bant genişliği, genellikle büyük tensörleri bellek ve hesaplama birimleri arasında taşıyan matris işlemlerini ve büyük model eğitimini hızlandırmaya yardımcı olur.
Ara Bağlantı ve Ölçeklendirme
Büyük YZ modelleri nadiren tek bir çip üzerinde eğitilir. Bunun yerine, yüzlerce veya binlerce hızlandırıcı kümeler halinde birbirine bağlanır.
Google'ın TPU v6e çipleri, 256 çipe kadar TPU podları için tasarlanmış özel bir Çipler Arası Bağlantı (ICI) ağı kullanarak bağlanır.
Cambricon'un MLU370-X8'i, çoklu GPU eğitimi için kartlar arasında 200GB/s iletişim verimi sağlayan MLU-Link'i kullanır.
Biren GPU'ları, çoklu hızlandırıcı kümeleri için tasarlanmış yüksek hızlı GPU'lar arası bağlantı linkleri içerir.
Küme mimarisi, tek bir çipin ham hesaplama performansı kadar önemli hale geliyor.
Üretim ve Tedarik Zincirleri
Üretim teknolojisi, performansı ve enerji verimliliğini güçlü bir şekilde etkiler.
Birçok Çinli YZ çipi, harici üretim teknolojilerine güveniyor. Örneğin, Biren'in BR100'ü TSMC'nin 7 nm süreci ve gelişmiş CoWoS paketlemesi kullanılarak üretildi.
Huawei'nin yeni nesil Ascend çipleri, SMIC'in 7 nm sınıfı sürecinde üretilen tasarımları, ABD ihracat kısıtlamalarından önce üretilmiş eski plakalarla birleştiriyor.
Buna karşılık, ABD tasarımı çipler genellikle son teknoloji düğümler ve paketleme teknolojileri üretebilen gelişmiş dökümhanelere ve tedarik zincirlerine güveniyor.
Ekosistem ve Yazılım
Donanım performansı tek başına YZ hesaplamada başarıyı belirlemez.
ABD çipleri, CUDA (Nvidia), ROCm (AMD) ve Google'ın TPU yazılım yığını gibi olgun ekosistemlerden yararlanır.
Huawei, yerel bir YZ yazılım ekosistemi oluşturmak için Ascend çipleri için CANN (Compute Architecture for Neural Networks) çerçevesini teşvik ediyor.
Geliştirici araçları, çerçeveler ve bulut entegrasyonu, genellikle hangi donanımın gerçek dünya YZ iş yükleri için benimsendiğini belirler.
Karşılaştırmanın Gösterdikleri
Mevcut nesil YZ hızlandırıcılarından birkaç eğilim ortaya çıkıyor:
Performans liderliği: ABD hızlandırıcıları şu anda daha yüksek belgelenmiş tepe hesaplama ve bellek kapasiteleri gösteriyor.
Yerel alternatifler: Çin, ABD donanımına olan bağımlılığı azaltmak için Ascend, Biren GPU'ları ve Cambricon hızlandırıcıları dahil olmak üzere birden fazla rakip çip hattı oluşturdu.
Küme stratejisi: Her iki taraf da giderek artan bir şekilde tek tek çipler yerine büyük YZ sistemleri ve süper bilgisayar ölçeğindeki kümeler aracılığıyla rekabet ediyor.
YZ çip yarışı bu nedenle yalnızca transistör sayıları veya TFLOP'larla ilgili bir yarış değil; aynı zamanda ekosistemler, üretim kabiliyeti ve binlerce hızlandırıcıyı verimli bir YZ altyapısına ölçeklendirme yeteneği arasında bir rekabettir.
Üretken YZ modelleri büyümeye devam ettikçe, mimari, bellek sistemleri ve yazılım ekosistemlerindeki bu farklılıklar muhtemelen hangi platformların gelecekteki YZ hesaplamasına hakim olacağını belirleyecektir.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
