de.wedoany.com-Bericht: Lenovo hat gestern in Peking eine Veranstaltung abgehalten. Chen Zhenkuan, Vizepräsident von Lenovo und General Manager der China Infrastruktur-Geschäftsgruppe, gab bekannt, dass die Lenovo China Infrastruktur-Gruppe bis 2027 ein Umsatzziel von 100 Milliarden Yuan anstrebt und den ersten Platz auf dem chinesischen Server-Markt anpeilt.

Lenovo hat auf dieser Veranstaltung die Lenovo Tianji Supernode-Rechenlösung vorgestellt. Ein einzelner Knoten kann mit 40 GPUs ausgestattet werden, die FP8-Rechenleistung übersteigt 28 PFLOPS, der HBM-Speicher übertrifft 5,76 TB und erfüllt die Anforderungen für das Training und die Inferenz von Billionen-Parameter-Modellen. Die gesamte Speicherbandbreite übersteigt 80 TB/s, die P2P-Chip-Latenz im Bereich von hundert Nanosekunden löst das Kommunikationsengpassproblem bei Zehntausender-GPU-Clustern. Ein einzelner Knoten unterstützt 40 GPUs, das Scale-out-Cluster kann horizontal erweitert werden und ist abwärtskompatibel mit einer 32-GPU-Konfiguration, um Trainings-, Inferenz- und Entwicklungsanforderungen verschiedener Größenordnungen zu erfüllen. Die kabellose orthogonale Direktsteckarchitektur ist kompatibel mit Standard-19-Zoll-Gehäusen und verkürzt den Cluster-Bereitstellungszyklus auf wenige Stunden, wodurch die Einstiegshürde für groß angelegte Rechencluster erheblich gesenkt wird.

Lenovo hat außerdem die Wanquan Heterogene Intelligence Computing Platform V5.0 vorgestellt, die zwei wichtige Upgrades erfährt. Die Cluster-Trainings- und Inferenzbeschleunigungstechnologie erreicht durch Kerninnovationen wie die geschichtete entkoppelte PD-Architektur und die optimierte KV-Cache-Shared-Cache-Technologie eine führende Leistung beim Training und der Inferenz großer Modelle und steigert die Cluster-Ressourcennutzung erheblich. Die Chip-Modul-Compilierungs-Optimierungstechnologie ermöglicht eine adaptive Anpassung des Rechengraphen und die automatische Generierung von Operatoren für verschiedene Modelle, passt sich tiefgehend an das Ökosystem heterogener Rechenchips an und verbessert die Recheneffizienz im gesamten Trainings- und Inferenzprozess.

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