მთელი ფირფიტის ჩიპი (wafer-scale chip) არის პროცესორი, რომელიც მთელი სილიციუმის ფირფიტისგან მზადდება ერთიანად, მისი ასობით ცალკეულ ჩიპად დაჭრის ნაცვლად — როგორც ეს ჩვეულებრივ ხდება GPU-სა თუ CPU-ს შემთხვევაში. ყველაზე ცნობილი მაგალითი Cerebras Systems-ის ნაწარმია: მისი უახლესი ჩიპი, WSE-3, ისტორიაში დამზადებული ყველაზე დიდი ერთეული პროცესორია — და სპეციალურად იმისთვისაა შექმნილი, რომ AI მოდელებმა უფრო სწრაფად უპასუხონ.
რა არის ეს
უმეტესი ჩიპი სიცოცხლეს იწყებს, როგორც ერთ-ერთი იმ ათეულობით იდენტური მართკუთხედიდან, რომლებიც დატანილია მრგვალ სილიციუმის ფირფიტაზე — თხელ, გახეხილ, კრისტალური სილიციუმის დისკზე, ჩვეულებრივ დაახლოებით 300 მმ დიამეტრით. სქემების დატანის შემდეგ ფირფიტა იჭრება ცალკეულ მართკუთხედებად, რომლებსაც “დაი” (die) ეწოდება. თითოეული დაი ხდება ერთი ჩიპი — ერთი GPU, ერთი CPU. ასეთი ზომის ფირფიტიდან შესაძლოა ათეულობით ცალკეული GPU დაი გამოვიდეს.
Cerebras ამ დაჭრის ეტაპს გამორიცხავს. მისი WSE-3 თითქმის მთელ ფირფიტას ერთ ჩიპად ინარჩუნებს — დაახლოებით 21.5 სმ დიამეტრით, სადილის თეფშის ზომის, და, Cerebras-ის თანახმად, დაახლოებით 57-ჯერ დიდი ზედაპირით, ვიდრე Nvidia-ს წამყვანი მონაცემთა ცენტრის GPU დაი. ნახევარგამტარული ფაუნდრის TSMC-ის მიერ 5-ნანომეტრიან პროცესზე დამზადებული, ეს ერთიანი სილიციუმის ნაჭერი შეიცავს 4 ტრილიონ ტრანზისტორს და 900 000 იდენტურ დამამუშავებელ ბირთვს, რომლებიც პირდაპირაა მიერთებული 44 გბ ჩიპშიდა მეხსიერებასთან. Cerebras-ის თქმით, ეს დაახლოებით 19-ჯერ მეტ ტრანზისტორს ნიშნავს, ვიდრე Nvidia-ს B200 GPU-ს აქვს.
როგორ მუშაობს
ასეთი ზომის ჩიპის აწყობა შეუძლებელი უნდა იყოს: რაც უფრო დიდია ჩიპი, მით მეტია ალბათობა, რომ სადმე მასზე მინიმუმ ერთი მიკროსკოპული საწარმოო ხარვეზი მოხვდეს — ჩვეულებრივ საკმარისი იმისთვის, რომ ის ერთი დაი გაფუჭდეს, ხოლო მისი მეზობლები ფირფიტაზე გამართულად გამოვიდეს. ხარვეზი მთელი ფირფიტის ჩიპზე კი, ერთი შეხედვით, მთელ ჩიპს უნდა აფუჭებდეს.
Cerebras-ის გამოსავალი ხარვეზების თავიდან აცილება კი არა, მათთვის დაპროექტებაა. 900 000 ბირთვის მცირე ნაწილი სათადარიგოა. ტესტირებისას ნებისმიერი ბირთვი თუ კავშირი, რომელშიც საწარმოო ხარვეზია, აღირიცხება და სამუდამოდ გვერდის ავლით გადამისამართდება — მოძრაობა გადამისამართდება მახლობელ გამართულ ბირთვებზე. ეს “fail-in-place” (ხარვეზის ადგილზე დატოვების) მიდგომა ჩიპს თითქმის სრული სიმძლავრით მუშაობის საშუალებას აძლევს, მიუხედავად იმისა, რომ მისი 900 000 ბირთვიდან ყველა უნაკლო არაა.
ნამდვილი სარგებელი მეხსიერების გამტარუნარიანობაშია. დიდი AI მოდელის გაშვება ნიშნავს, რომ მისი პარამეტრები მუდმივად გადაინაცვლებს მეხსიერებასა და დამამუშავებელ ბირთვებს შორის — თითოეული სიტყვის, ანუ “ტოკენის”, გენერირებისთვის. ჩვეულებრივ AI აპარატურის მოწყობილობაში ეს პარამეტრები ცალკე მეხსიერების ჩიპებში ინახება, პროცესორთან შედარებით ვიწრო არხით მიერთებული, და დიდი მოდელებისთვის ხშირად რამდენიმე ერთმანეთთან დაკავშირებული GPU საჭიროა, რომ ყველაფერი დაეტიოს — რაც მონაცემების გასავლელ მანძილს კიდევ უფრო ზრდის. რადგან WSE-3-ის ბირთვები და მეხსიერება ერთსა და იმავე სილიციუმის ნაჭერზეა განთავსებული, Cerebras აცხადებს, რომ მონაცემებს შიგნით დაახლოებით 21 პეტაბაიტი წამში სიჩქარით ატარებს, რაც მას იმავე მოდელისთვის ტოკენების გენერირებას ჩვეულებრივ GPU მოწყობილობებზე გაცილებით სწრაფად აძლევს საშუალებას.
რატომ აქვს მნიშვნელობა
ეს სისწრაფე პირდაპირ აისახება მოდელის გამოყენების შეგრძნებაზე: Cerebras-მა აჩვენა, რომ 400-მილიარდპარამეტრიანი მოდელი პასუხს დაახლოებით 2 500 ტოკენი წამში სიჩქარით გასცემს ერთ მომხმარებელზე — ეს შედეგი, რომელსაც უმეტესი GPU-ზე დაფუძნებული სერვისი ვერ აღწევს. მარტივი ჩატბოტის პასუხისთვის ეს განსხვავება თითქმის შეუმჩნეველია, მაგრამ AI აგენტებისთვის, რომლებიც ათეულობით მოდელის გამოძახებას ერთმანეთზე ჯაჭვურად აწყობენ დაგეგმვისა და მოქმედებისთვის, ან კოდირების ხელსაწყოებისთვის, რომლებიც გრძელ პასუხს ელოდებიან, შეყოვნება სწრაფად გროვდება — და უფრო სწრაფი ჩიპი უფრო გამოსადეგ პროდუქტს ნიშნავს.
სწორედ ამიტომ მთელი ფირფიტის და GPU აპარატურა სულ უფრო ხშირად ერთმანეთს ავსებს, ვიდრე კონკურენციაშია: გავრცელებული მიდგომა AI მოთხოვნას ორ ეტაპად ყოფს — GPU-ების სტელაჟი უმკლავდება “prefill”-ს, გრძელი მოთხოვნის წაკითხვასა და დამუშავებას, სამუშაოს, რომელიც სუფთა გამტარუნარიანობას აჯილდოებს — ხოლო მთელი ფირფიტის ჩიპი უმკლავდება “decode”-ს, პასუხის ტოკენ-ტოკენად გენერირებას, სამუშაოს, რომელიც დაბალ შეყოვნებას აჯილდოებს. Nvidia, AI GPU-ების წამყვანი მწარმოებელი, ამ წყვილში მთელი ფირფიტის მხარეს არ ფლობს, რაც ნაწილობრივ იმის მიზეზია, თუ რატომ თანამშრომლობენ კონკურენტი ჩიპების მწარმოებლები Cerebras-თან.
უმეტესი დეველოპერი ფიზიკურ აპარატურას საერთოდ არ ეხება — ისინი მას იყენებენ, როგორც ერთ-ერთ ვარიანტს AI გამოთვლითი სიმძლავრის ფართო რბოლაში. Cerebras წვდომას ღრუბლოვანი API-ის მეშვეობით ყიდის — დოკუმენტაცია მისივე დეველოპერულ პორტალზეა ხელმისაწვდომი — რომელიც ნებისმიერს მოდელის არსებულ აპლიკაციაში ჩართვის საშუალებას აძლევს. 2026 წლის ივლისის მდგომარეობით, Cerebras-ის ფასების გვერდი სთავაზობს უფასო საცდელ პერიოდს 5 დოლარის საწყისი კრედიტით, თვითმომსახურების Developer დონეს 10 დოლარიდან, და მორგებული ფასის Enterprise დონეს საწარმოო დატვირთვებისთვის — თითოეული მოდელისა და ტოკენის მიხედვით ზუსტი ტარიფები იმავე გვერდზეა მითითებული. ამ მიდგომამ სერიოზული ინტერესი გამოიწვია ინვესტორებშიც: Cerebras 2026 წლის მაისში, ტიკერით CBRS, Nasdaq-ზე საჯაროდ გავიდა — ეს წლის ერთ-ერთი უმსხვილესი ამერიკული ტექნოლოგიური IPO იყო.
სიახლეებში
Cerebras-ის აპარატურა ახალ პარტნიორობებში ჩნდება, რადგან ჩიპების მწარმოებლები AI პასუხების დაჩქარების გზებს ეძებენ — იხილეთ ჩვენი რეპორტაჟი იმის შესახებ, თუ როგორ გააერთიანეს AMD-მა და Cerebras-მა ჩიპები უფრო სწრაფი, დანაწილებული AI ინფერენსისთვის.