Akcelerator AI dla centrów danych
Podkategoria obejmująca dedykowane akceleratory AI (ASIC, GPU, XPU) zaprojektowane do pracy w skali centrum danych — trening i inferencja dużych modeli fundamentalnych, systemów rekomendacyjnych i generatywnych. Przeciwieństwo edge-AI SoC.
Podkategoria zbiera układy scalone przeznaczone do przyspieszania obliczeń AI w centrach danych: NVIDIA H100/B200, Google TPU, AWS Trainium/Inferentia, Meta MTIA, Groq LPU, Cerebras WSE. Wspólne cechy: pamięć HBM o wysokiej przepustowości, tryby niskiej precyzji (FP16/BF16/FP8/MX8/MX4/INT8/INT4), skalowalność do rack-scale (setki chipów w jednej domenie scale-up), chłodzenie cieczą, integracja z frameworkami ML (PyTorch, JAX, Triton, vLLM). Kontrastuje z hardwareSubcategory.ai-soc-edge-ai-soc — tam kryteria są odwrotne (niski pobór mocy, brak HBM, on-device inferencja).
Cerebras Wafer-Scale Engine
Największy procesor AI na świecie firmy Cerebras — cały wafel krzemowy jako jeden układ. WSE-3 (2024): 4 bln tranzystorów, 900 000 rdzeni, 125 PFLOPS.
Google TPU Trillium (v6e)
Trillium (TPU v6e) to szósta generacja akceleratora AI (ASIC) Google Cloud do treningu i inferencji: 918 TFLOPs bf16 i 1836 TOPS int8 na chip, 32 GB HBM, pody po 256 chipów. GA od grudnia 2024.
IBM Spyre Accelerator
Dedykowany akcelerator AI IBM (SoC) na karcie PCIe do inferencji generatywnej i agentowej AI na mainframe'ach IBM Z (z17), LinuxONE 5 i serwerach Power11.
Meta MTIA
Rodzina autorskich chipów AI Mety (6 generacji: 100, 200, 300, 400, 450, 500) rozwijana z Broadcomem. Architektura chipletowa, ~6 miesięcy cykl, PyTorch-native, setki tysięcy chipów w produkcji.
NVIDIA Hopper
NVIDIA Hopper to architektura GPU data-center (2022) nazwana na czesc Grace Hopper. Wprowadzila Transformer Engine i precyzje FP8; napedza akceleratory H100, H200 oraz GH200 Grace Hopper. Poprzednik architektury Blackwell.
NVIDIA VR200
Akcelerator AI klasy centrum danych z generacji NVIDIA Vera Rubin (Rubin GPU + Vera CPU), następca platformy Grace Blackwell (GB200).
TPU
TPU (Tensor Processing Unit) to autorski akcelerator AI (ASIC) Google do uczenia maszynowego, oparty na architekturze tablicy systolicznej (MXU, bfloat16). Dostepny w chmurze Google Cloud; wykorzystywany m.in. do trenowania modeli Gemini.