Vispārēja lietojuma ēras beigas: Kā Taalas "iešuva" AI nākotni silīcijā

Pēdējo desmitgadi tehnoloģiju pasaule darbojās saskaņā ar vienu dārgu pieņēmumu: AI nepieciešami masīvi, vispārēja lietojuma GPU un sarežģīta programmatūras kopa CUDA. Šis pieņēmums padarīja Nvidia par vērtīgāko uzņēmumu pasaulē un radīja "skaitļošanas parādu", kas bija jāmaksā katram jaunuzņēmumam un uzņēmumam.

2026. gada 19. februārī šis pieņēmums izgaisa. Kanādas jaunuzņēmums Taalas iznāca no slepenības režīma, lai nodemonstrētu to, ko daudzi nozarē uzskatīja par neiespējamu — vai vismaz gadu desmitu attālumā. Viņi ne tikai uzbūvēja ātrāku mikroshēmu; viņi uzbūvēja mikroshēmu, kas ir modelis. Tieši savienojot Llama 3.1 8B modeli ar silīcija metāla slāņiem, Taalas ir efektīvi apvērsuši atmiņas sienu, enerģijas krīzi un Nvidia nodokli vienā piegājienā.

Fon Neimana pudeles kakla nāve

Lai saprastu, kāpēc tas ir svarīgi, mums jāaplūko, kā darbojas tradicionālās mikroshēmas. Neatkarīgi no tā, vai tas ir Intel procesors vai Nvidia B200, tie visi seko fon Neimana arhitektūrai: instrukcijas un dati tiek glabāti atmiņā (HBM) un pārvietoti šurpu turpu uz procesoru. Lielo valodu modeļu (LLM) pasaulē šī pārvietošana ir galvenais latentuma un milzīgā enerģijas patēriņa cēlonis. Mūs neierobežo tas, cik ātri mēs varam skaitļot; mūs ierobežo tas, cik ātri mēs varam pārvietot datus.

Taalas ir atmetis šo paradigmu. Iegulstot Llama 3.1 8B svarus mikroshēmas augšējos metāla slāņos, modelis vairs netiek "ielādēts" no atmiņas. Modelis ir pati shēma. Tas pilnībā novērš nepieciešamību pēc augstas joslas platuma atmiņas (HBM). Bez pastāvīgas datu kustības enerģijas patēriņš ievērojami samazinās, un ātrums strauji pieaug.

17 000 žetonu sekundē: Jaunā realitāte

Taalas publicētie veiktspējas rādītāji ir satriecoši. Viena 250 W mikroshēma — ko var dzesēt ar standarta gaisa ventilatoru — ģenerē 17 000 žetonu sekundē vienam lietotājam. Salīdzinājumam, augstākā līmeņa GPU klasteris bieži vien nespēj sasniegt pat daļu no šī ātruma uz vienu plūsmu atmiņas pārvaldības un vispārēja lietojuma kodolu pieskaitāmo izmaksu dēļ.

Tā kā mikroshēma ir specializēta vienam konkrētam modelim, tai nav nepieciešami vispārēja lietojuma procesora "tauki". Nav neizmantotu shēmu grafikas renderēšanai vai mantotajiem aprēķiniem. Katrs kvadrātmilimetrs ir veltīts Llama 3.1 secināšanai.

20x izmaksu priekšrocība

Visvairāk traucējošais Taalas paziņojuma aspekts nav ātrums — tā ir ekonomika. Noņemot HBM un vienkāršojot arhitektūru, Taalas apgalvo, ka ražošanas izmaksas ir 20 reizes zemākas nekā salīdzināmam GPU iestatījumam.

Gadiem ilgi Nvidia "aizsarggrāvis" bija CUDA — programmatūras slānis, kas izstrādātājiem atviegloja AI koda rakstīšanu. Bet, ja modelis jau ir "iecepts" silīcijā, CUDA nav vajadzīga. Nav vajadzīgs kompilators. Jūs vienkārši padodat mikroshēmai ievadi un saņemat izvadi. Šī "modelis-kā-ierīce" pieeja pārvērš AI no augstas uzturēšanas superdatoru uzdevuma par plaša patēriņa aparatūras komponentu.

No modeļa līdz silīcijam 60 dienās

Acīmredzamā kritika par tieši savienotu silīciju ir stingrība. Ja jūs šodien mikroshēmā iecepsiet Llama 3.1, kas notiks, kad rīt iznāks Llama 4.0?

Taalas to risināja, atklājot savu automatizēto "no-modeļa-līdz-litogrāfijai" cauruļvadu. Viņi ir samazinājuši laiku no pabeigta modeļa kontrolpunkta līdz galīgajam ražošanai gatavam dizainam līdz tikai diviem mēnešiem. Lai gan tas joprojām ir lēnāk nekā jauna svara faila lejupielāde no Hugging Face, šis kompromiss kļūst neatvairāms liela mēroga pakalpojumu sniedzējiem. Ja uzņēmums zina, ka tas darbinās konkrētu modeļa versiju miljardiem reižu dienā, tieši savienotas mikroshēmas efektivitāte atsver GPU elastību.

Ģeopolitiskā un rūpnieciskā viļņošanās

Šī maiņa iezīmē "Iebūvētā AI" ēras sākumu. Mēs attālināmies no centralizētiem "Dieva modeļiem", kas darbojas masīvos, ar ūdeni dzesējamos datu centros, uz specializētu, hiperefektīvu silīciju, kas var atrasties jebkur.

Iedomājieties autonomu transportlīdzekli ar tieši savienotu redzes modeli, kuram nav nepieciešama ārējā atmiņa, vai viedtālruni, kas darbina lokālu LLM ar superdatora ātrumu, neiztukšojot akumulatoru. Samazinot ieejas izmaksas par 20 reizēm, Taalas efektīvi demokratizē AI revolūcijas aparatūras slāni.

Praktiski ieteikumi AI nozarei

Tieši savienotu AI mikroshēmu parādīšanās maina ceļa karti ikvienam tehnoloģiju vadītājam. Lūk, kas jums būtu jāapsver:

• Novērtējiet modeļa stabilitāti: Ja jūsu bizness balstās uz konkrētu modeli (piemēram, Llama 3.1), ir pienācis laiks apsvērt ASIC (Application-Specific Integrated Circuit) risinājumus, nevis vispārēja lietojuma GPU īri.
• Pārdomājiet "aizsarggrāvi": Ja aparatūra kļūst par plaša patēriņa preci un CUDA vairs nav vārtu sargs, jūsu vērtībai jānāk no patentētiem datiem un precīzas noskaņošanas, nevis tikai piekļuves skaitļošanas jaudai.
• Gatavojieties "Edge" videi: Jaudas samazinājums (250 W ar gaisa dzesēšanu) nozīmē, ka augstākā līmeņa AI nonāk lokālajās ierīcēs. Sāciet plānot lokālu, ātrdarbīgu secināšanu, kurai nav nepieciešams mākoņpakalpojumu sniedzējs.
• Vērojiet "ātros sekotājus": Samazinoties "no-modeļa-līdz-silīcijam" procesam, priekšrocība būt "pirmajam" ar jaunu modeļa arhitektūru var izzust salīdzinājumā ar priekšrocību būt "visefektīvākajam" ar tieši savienotu mikroshēmu.

Nvidia impērija tika uzcelta uz idejas, ka AI ir programmatūras problēma, ko atrisina elastīga aparatūra. Taalas tikko apgalvoja, ka AI ir aparatūras problēma, ko atrisina neelastīgs, perfekts silīcijs. Ja tirgus sekos efektivitātei, GPU karaļa ēra varētu tuvoties beigām.

Avoti

• Taalas Official Technical Briefing (February 2026)
• Semiconductor Engineering: The Rise of Hardwired Neural Networks
• Meta AI: Llama 3.1 Architecture and Implementation Standards
• Journal of Applied Physics: Metal-Layer Logic and Memory Integration