Ampere Computing以自有IP打造的192核云原生CPU——AmpereOne系列處理器的技術細節陸續曝光。其中一個大亮點，是與上一代128核Ampere Altra對比，AmpereOne系列處理器中首度采用Chiplet設計。

半導體制程不斷演進下，要實現復雜的芯片設計流程的門檻其實越來越高，芯片全流程設計的成本也大幅增加，這是摩爾定律放緩后出現的問題。因應方式是Chiplet小芯片設計的興起，已經開始被AMD、英特爾等處理器大芯片公司大舉采用。

Chiplet是一種模塊化芯片的技術，將傳統片上系統（SoC）所需的微處理器、模擬IP核、數字IP核和存儲器等模塊分開制造，并在后道工藝中集成為一個芯片模組，可實現不同模塊的混用、復用，且各模塊不需要在同一制程節點制造，因此另一個優勢是能確保芯片的良率。

在AMD、英特爾陸續導入Chiplet設計后，Ampere Computing也在最新的AmpereOne系列處理器中實現Chiplet。

Ampere Computing首席產品官Jeff Wittich指出，Ampere開始大量采用小芯片的設計帶來了許多的優勢，像是提升靈活度，以及加快了整個芯片設計周期。再者，采用Chiplet的設計也實現了特定的拓撲結構，以及單一的計算裸片（里邊分布著全部的內核），同時還有單一大網格結構，助力為客戶提供平衡的高性能。反之，其他設計則要求數據從一個計算的小芯片傳輸到另一個小芯片，這種設計會帶來延遲問題。

Jeff Wittich強調，在實現了最佳的Chiplet架構之后，產品上市的速度就會更快，且可以提供芯片的可擴展性。

過去幾年間，Ampere Computing已經陸續實現的128核的Ampere Altra系列處理器，在云環境的關鍵指標——每機架性能方面超越其他競品像是英特爾和AMD等。這次全新的AmpereOne系列處理器是采用臺積電的5nm制程技術，現在已投產并交付給客戶。

Jeff Wittich指出，AmpereOne能夠為云工作負載提供更高的性能、更高的可擴展性以及更高的密度，也是第一款基于Ampere新自研核的產品，由Ampere自有IP全新打造，擁有多達192個單線程Ampere核。

192 核是一個非常大的數字，比英特爾和 AMD 的核心數還要多。 Ampere用一個具體的場景來說明，比如在云環境中運行虛擬機（VM），用192核的AmpereOne對比96核的AMD Genoa，或者60核的英特爾Sapphire Rapids，AmpereOne每機架運行的虛擬機數量是AMD Genoa的2.9倍，是英特爾Sapphire Rapids的4.3倍。

AmpereOne推出后，與之前推出的Ampere Altra、Ampere Altra Max未來發展的差異性如何？

Jeff Wittich指出，這兩個系列服務于不同的客戶需求。目前已經在市場上持續交付的Ampere Altra系列，里面包含了幾款不同的產品，核數從32核到128核不等。而全新推出的AmpereOne系列并不是要取代Ampere Altra系列，而是在它的原本的基礎之上，進行持續的擴張。

在未來很長一段時間里，Ampere Altra 系列處理器還會繼續銷售，而最新的AmpereOne是在Ampere Altra Max 128核的基礎上，將核數進一步提升到了最高可達192核。

客戶如何決定要采用AmpereOne？還是Ampere Altra？

他分析，完全是看場景應用。在邊緣計算的場景下，可能只需要部署32核、功耗40瓦的Ampere Altra處理器就夠用了，但對于一些有更大算力需求的客戶，譬如大規模的數據中心，這時候更高的核數可以提供更好的性能，所以可能需要192核的AmpereOne系列處理器。

在AI方面，Ampere也提供了幾個參考的基準，一是在生成式AI方面，相比AMD Genoa，AmpereOne可每秒多提供2.3倍的幀數（圖像），在運行穩定的擴散模型中勝出。此外，在運行DLRM模型的推薦系統中，通過AmpereOne響應的查詢數量是AMD Genoa的每秒查詢數量的兩倍多。

此外，通過DDR5內存技術，以及128通道的PCIe 5.0的設計，AmpereOne系列處理器不僅實現了性能的擴展，也為云服務提供商和云工作負載提供價值。

由于新款的AmpereOne系列處理器是自研IP，是否會與上一代Ampere Altra系列有不相容的問題？ Jeff Wittich表示，不會存在兼容性的問題，因為兩款處理器都是基于ARM ISA的。所有能夠在Ampere Altra系列處理器上運行的代碼，在AmpereOne上運行也沒有問題，不需要任何改動。

針對進行火爆的生成式AI對數據中心CPU市場的影響？ Jeff Wittich表示，生成式AI進一步加速了市場對算力的需求。

他分析，針對AI工作負載最常見的有兩大場景，第一是AI訓練工作負載，即處理器在大量數據的基礎上建立模型，對于某些大模型來說，過程有時候不只需要幾個小時、幾天，甚至可能要花上數周甚至數月的時間。第二個場景就是AI推理，即在完成AI訓練的基礎上，在應用上去運行模型。

雖然可能訓練AI模型只需要一次，但是運行模型還需要進行上百萬次甚至數十億次，這些工作負載需要進行非常快速的運行，以盡可能快的速度向用戶交付數據和資源。

AI訓練和AI推理的工作負載是非常不一樣的。 AI訓練發生在服務器上的CPU、GPU，但是AI推理不一樣，它擴展在整個云的部署中。這就意味著它對云的基礎建設提出了更高的要求。

所以AI訓練和AI推理有三個主要不同，一個是就規模而言，AI推理需要更大的規模；第二，AI推理很有可能在通用服務器上和其他工作負載同時運行；第三，AI推理對速度的要求更高，而且還需要不斷地進行大量重復，以向用戶快速交付結果。

Jeff Wittich表示，無論是Ampere Altra還是AmpereOne系列處理器都非常適用于AI推理，特別是大規模的云場景。目前，已經有許多客戶都在使用Ampere Altra系列處理器進行AI推理，并且得到我們Library中很多軟件工具的支持，包括TensorFlow、PyTorch、ONNX常用的主流框架。

審核編輯：劉清