de.wedoany.com-Bericht: Das US-amerikanische Halbleiterunternehmen Marvell hat kürzlich den Teralynx T100 Switch-Chip vorgestellt, der für KI- und Cloud-Rechenzentren eine Switch-Kapazität von 102,4 Tbps für die Infrastruktur bereitstellt.
Das Hauptanwendungsszenario dieses Chips sind die internen Netzwerke großer KI-Cluster. Mit der rasant steigenden Anzahl von GPU- und XPU-Beschleunigern verlagert sich der Engpass in Rechenzentren von der Leistung einzelner Rechenchips hin zur Effizienz des Datenaustauschs innerhalb des Clusters, der Netzwerklatenz, der Leistungssteuerung und der Architekturkomplexität. Laut Marvell verwendet der Teralynx T100 einen fortschrittlichen 3-nm-Prozess, wurde für KI-Trainings- und Inferenz-Workloads neu entwickelt, hat eine typische Leistungsaufnahme von unter 1000 W, kann den Stromverbrauch im Vergleich zu vergleichbaren Konkurrenzlösungen um bis zu etwa 25 % senken und unterstützt eine horizontale Skalierung auf 512 Ports. Für Hyperscale-Cloud-Anbieter und KI-Infrastrukturbetreiber sind Switch-Chips zwar nicht die sichtbarsten Komponenten, aber sie entscheiden direkt darüber, ob Zehntausende von Beschleunigern einen stabilen, effizienten und latenzarmen Rechencluster bilden können. Herkömmliche Rechenzentrums-Switch-Plattformen sind eher für Unternehmensnetzwerke, allgemeines Cloud-Computing und mehrschichtige Architekturen ausgelegt. Wenn KI-Trainingsaufgaben die Größenordnung von Zehntausend oder Hunderttausend Karten erreichen, werden Netzwerkebenen, Anzahl der optischen Verbindungen, Überlastungssteuerung, Tail-Latenz und Stromverbrauch zu systemischen Kostenfaktoren. Der Teralynx T100 versucht, durch höhere Bandbreite, höhere Portdichte und eine flachere Netzwerkstruktur die Anzahl der Switch-Ebenen und optischen Verbindungen innerhalb von KI-Clustern zu reduzieren, sodass Rechenzentren unter den bestehenden Stromversorgungsbeschränkungen mehr Beschleuniger einsetzen können und der Druck auf die Rack-Leistung, Kühlung und Gesamtbetriebskosten durch Netzwerkgeräte verringert wird.
Marvell gab an, dass der Teralynx T100 in diesem Quartal mit der Musterauslieferung an Kunden beginnen wird und in verschiedenen Gehäuseformen wie BGA, Co-Packaged Copper und Co-Packaged Optics erhältlich sein wird.
KI-Rechenzentren treten in eine neue Phase ein, die durch die gemeinsamen Beschränkungen von „Rechenleistung, Netzwerk, Strom und Kühlung" gekennzeichnet ist. In den letzten Jahren lag der Marktfokus mehr auf GPU-Verfügbarkeit, Advanced Packaging und HBM-Speicher, aber die Rolle der Netzwerkinfrastruktur in großen Trainingsclustern nimmt rapide zu. Wenn die Netzwerkeffizienz eines KI-Clusters unzureichend ist, kommt es bei teuren Beschleunigern zu Wartezeiten bei der Kommunikation, verlangsamter Aufgaben-Synchronisation und verlängerten Trainingskonvergenzzeiten, was letztlich die Hardware-Beschaffungskosten in Nutzungsverluste umwandelt. Switch-Chips haben sich daher von einem herkömmlichen Rechenzentrums-Netzwerkbauteil zu einem entscheidenden Halbleiter für die skalierbare Erweiterung der KI-Infrastruktur entwickelt. Der Teralynx T100 unterstützt sowohl horizontale als auch vertikale Skalierungsbereitstellungen, ist kompatibel mit den Anforderungen neuer KI-Ethernet-Architekturen und des Ultra Ethernet Consortium und integriert Telemetrie, native KI-Überlastungssteuerung und latenzarmes Traffic-Management. Dies bedeutet, dass Rechenzentrumsbetreiber bei der Planung zukünftiger KI-Cluster Architekturen mit höherer Portdichte, weniger Netzwerkebenen, geringerem Stromverbrauch und flexibleren Verbindungsformen entwerfen können. Da die Leistungsaufnahme von GPU-Racks allmählich die Auslegungsgrenzen traditioneller Rechenzentrumsräume erreicht oder sogar überschreitet, ist die Reduzierung des Stromverbrauchs von Netzwerkchips nicht mehr nur eine Optimierung von Geräteparametern, sondern beeinflusst die Stromversorgungsredundanz, den Anteil der Flüssigkeitskühlung, die Rackdichte und den Erweiterungsrhythmus des gesamten Rechenzentrums. Für Cloud-Anbieter, Internetunternehmen und KI-Rechenleistungsbetreiber wirkt sich die Effizienzsteigerung der Netzwerkinfrastruktur direkt auf die Trainingskosten, die Inferenzlatenz und die Fähigkeit zur Bereitstellung von Rechenleistung aus.
Diese Ankündigung zeigt auch, dass sich der Wettbewerb in der KI-Infrastruktur von einzelnen Rechenchips auf grundlegende Bereiche wie Switch-Chips, optische Verbindungen, SerDes, Netzwerkbetriebssysteme und Cluster-Scheduling ausweitet. Die nächsten Variablen konzentrieren sich auf die Kundenmusterqualifikation, das Tempo der Massenproduktion, die Kompatibilität mit verschiedenen KI-Ethernet-Ökosystemen und die tatsächlichen Bereitstellungskosten von Co-Packaged-Optics-Lösungen in großen Rechenzentren. Sollten die relevanten Technologien in die Cluster großer Cloud-Anbieter Einzug halten, werden KI-Rechenzentrumsnetzwerke zu einem neuen Schwerpunkt für Investitionen in fortschrittliche Halbleiter und Cloud-Infrastruktur.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
