节能型 AI 硬件
公司表示，其 XPU 芯片可用极少的能耗运行各种 AI 工作负载，重点面向发现型计算，而不仅仅是文本生成。
概述
Zettascale 正在打造面向发现型工作负载的 AI 芯片，包括 XPU 芯片。公司将其硬件定位为 AI 系统的基础设施，这些系统不只是生成文本：它们提出想法、对其进行模拟、用现实结果测试候选方案，并利用结果改进下一轮。
网站将 Grasshopper 介绍为首款 XPU，目前已在 FPGA 上完成原型验证；Monolith 则是一个正在开发中的集群，用于将 XPU 连接成更大的机器。在公开页面中，产品被描述为面向 AI 训练和推理的节能可重构数据流芯片，重点强调减少数据移动、支持稠密与非规则计算，并覆盖宽广的精度范围。
核心能力
减少数据移动
Grasshopper 被介绍为首款 XPU 的 FPGA 原型，旨在尽量减少数据移动，而网站将其识别为 AI 中一项主要的能耗成本。
混合工作负载支持
该架构被描述为可在一台机器中同时支持稠密和非规则工作负载，因此既能处理以矩阵为主的计算，也能处理稀疏的条件执行。
宽精度范围
技术说明页称该硬件应覆盖从 fp8 到 fp64 的精度范围，从而既可用于低精度训练，也可用于更高精度的科学计算。
集群级发现工作流
Monolith 被呈现为一个像单芯片一样运作的集群，旨在在发现循环中同时支持训练、模拟和验证。
可重构数据流设计
公开页面将产品定位为可重构数据流芯片，表明其架构可适配 AI 训练与推理工作负载。
适用场景
面向发现型的 AI 研究
适用于构建需要提出候选方案、模拟结果并验证结果的 AI 系统，而不仅仅是提供文本回复的团队。
混合计算型 AI 工作负载
适用于将稠密线性代数与稀疏或非规则执行相结合的工作负载，此时单一固定加速器可能过于狭窄，而通用 GPU 可能会浪费算力。
注重能效的训练与推理
适用于重视能耗且数据移动成本较高的项目，尤其是当工作负载能从数据流导向设计中受益时。
科学与模拟密集型工作
适用于研究团队在工作流的部分环节需要更高精度计算的场景，例如需要超越低精度张量运算的科学或模拟密集型步骤。
集群化发现流水线
适用于团队级系统，需要将多个 XPU 连接为一个逻辑机器，用于训练、模拟和验证。
Pros and Cons
Pros
- 同时面向稠密数学计算和非规则执行，而不是只优化单一工作负载模式。
- 支持从 fp8 到 fp64 的明确精度范围，这对训练和科学工作负载都很有参考价值。
- 围绕减少数据移动来设计系统，而数据移动是 AI 硬件中的关键能耗成本。
- 从单一 XPU 概念扩展到集群级运行，且 Monolith 可像一颗芯片一样工作。
Cons
- 公开网站未提供详细的安装文档、集成信息或平台兼容性说明。
- 未在可见页面上公布价格、方案结构或购买条款。
- 该硬件以开发中的形式描述，因此某些产品能力看起来更像路线图内容，而非已正式发布的功能。
FAQ
Zettascale 是做什么的？
Zettascale 正在打造用于 AI 训练和推理的节能可重构数据流芯片。该网站将其硬件定位于面向发现型的 AI 工作负载，而非通用消费者应用。
什么是 Grasshopper？
网站将 Grasshopper 描述为首款 XPU，并在 FPGA 上进行了原型验证。它被设计用于尽量减少数据移动，而公司称这是一项 AI 中占主导地位的能耗成本。
Monolith 用于什么？
Monolith 被描述为一个正在开发中的集群，用于将多个 XPU 连接起来，使其像一颗芯片一样工作。其目标工作流是发现循环：在一台机器中完成训练、模拟和验证。
Zettascale 如何定价？
公开页面未显示产品定价、套餐层级或自助购买流程。定价页面看起来更像是公司页面，而不是产品定价页面。
支持哪些设置或集成？
源内容强调了面向稠密计算的硬件、从 fp8 到 fp64 的完整精度范围，以及非规则执行。它没有说明软件集成、安装步骤或平台兼容性细节。
Quick Facts
- 类别
- AI 芯片
- 主要产品
- XPU 芯片
- 原型
- Grasshopper
- 集群系统
- Monolith
- 公司域名
- exalaboratories.com
- 总部
- 美国加利福尼亚州旧金山