Ampere Computing以自有IP打造的192核云原生CPU——AmpereOne系列处理器的技术细节陆续曝光。其中一个大亮点，是与上一代128核Ampere Altra对比，AmpereOne系列处理器中首度采用Chiplet设计。
半导体制程不断演进下，要实现复杂的芯片设计流程的门槛其实越来越高，芯片全流程设计的成本也大幅增加，这是摩尔定律放缓后出现的问题。因应方式是Chiplet小芯片设计的兴起，已经开始被AMD、英特尔等处理器大芯片公司大举采用。
Chiplet是一种模块化芯片的技术，将传统片上系统（SoC）所需的微处理器、模拟IP核、数字IP核和存储器等模块分开制造，并在后道工艺中集成为一个芯片模组，可实现不同模块的混用、复用，且各模块不需要在同一制程节点制造，因此另一个优势是能确保芯片的良率。
在AMD、英特尔陆续导入Chiplet设计后，Ampere Computing也在最新的AmpereOne系列处理器中实现Chiplet。
Ampere Computing首席产品官Jeff Wittich指出，Ampere开始大量采用小芯片的设计带来了许多的优势，像是提升灵活度，以及加快了整个芯片设计周期。再者，采用Chiplet的设计也实现了特定的拓扑结构，以及单一的计算裸片（里边分布着全部的内核），同时还有单一大网格结构，助力为客户提供平衡的高性能。反之，其他设计则要求数据从一个计算的小芯片传输到另一个小芯片，这种设计会带来延迟问题。
Jeff Wittich强调，在实现了最佳的Chiplet架构之后，产品上市的速度就会更快，且可以提供芯片的可扩展性。
过去几年间，Ampere Computing已经陆续实现的128核的Ampere Altra系列处理器，在云环境的关键指标——每机架性能方面超越其他竞品像是英特尔和AMD等。这次全新的AmpereOne系列处理器是采用台积电的5nm制程技术，现在已投产并交付给客户。
Jeff Wittich指出，AmpereOne能够为云工作负载提供更高的性能、更高的可扩展性以及更高的密度，也是第一款基于Ampere新自研核的产品，由Ampere自有IP全新打造，拥有多达192个单线程Ampere核。
192 核是一个非常大的数字，比英特尔和 AMD 的核心数还要多。 Ampere用一个具体的场景来说明，比如在云环境中运行虚拟机（VM），用192核的AmpereOne对比96核的AMD Genoa，或者60核的英特尔Sapphire Rapids，AmpereOne每机架运行的虚拟机数量是AMD Genoa的2.9倍，是英特尔Sapphire Rapids的4.3倍。
AmpereOne推出后，与之前推出的Ampere Altra、Ampere Altra Max未来发展的差异性如何？
Jeff Wittich指出，这两个系列服务于不同的客户需求。目前已经在市场上持续交付的Ampere Altra系列，里面包含了几款不同的产品，核数从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础之上，进行持续的扩张。
在未来很长一段时间里，Ampere Altra 系列处理器还会继续销售，而最新的AmpereOne是在Ampere Altra Max 128核的基础上，将核数进一步提升到了最高可达192核。
客户如何决定要采用AmpereOne？还是Ampere Altra？
他分析，完全是看场景应用。在边缘计算的场景下，可能只需要部署32核、功耗40瓦的Ampere Altra处理器就够用了，但对于一些有更大算力需求的客户，譬如大规模的数据中心，这时候更高的核数可以提供更好的性能，所以可能需要192核的AmpereOne系列处理器。
在AI方面，Ampere也提供了几个参考的基准，一是在生成式AI方面，相比AMD Genoa，AmpereOne可每秒多提供2.3倍的帧数（图像），在运行稳定的扩散模型中胜出。此外，在运行DLRM模型的推荐系统中，通过AmpereOne响应的查询数量是AMD Genoa的每秒查询数量的两倍多。
此外，通过DDR5内存技术，以及128通道的PCIe 5.0的设计，AmpereOne系列处理器不仅实现了性能的扩展，也为云服务提供商和云工作负载提供价值。
由于新款的AmpereOne系列处理器是自研IP，是否会与上一代Ampere Altra系列有不相容的问题？ Jeff Wittich表示，不会存在兼容性的问题，因为两款处理器都是基于ARM ISA的。所有能够在Ampere Altra系列处理器上运行的代码，在AmpereOne上运行也没有问题，不需要任何改动。
针对进行火爆的生成式AI对数据中心CPU市场的影响？ Jeff Wittich表示，生成式AI进一步加速了市场对算力的需求。
他分析，针对AI工作负载最常见的有两大场景，第一是AI训练工作负载，即处理器在大量数据的基础上建立模型，对于某些大模型来说，过程有时候不只需要几个小时、几天，甚至可能要花上数周甚至数月的时间。第二个场景就是AI推理，即在完成AI训练的基础上，在应用上去运行模型。
虽然可能训练AI模型只需要一次，但是运行模型还需要进行上百万次甚至数十亿次，这些工作负载需要进行非常快速的运行，以尽可能快的速度向用户交付数据和资源。
AI训练和AI推理的工作负载是非常不一样的。 AI训练发生在服务器上的CPU、GPU，但是AI推理不一样，它扩展在整个云的部署中。这就意味着它对云的基础建设提出了更高的要求。
所以AI训练和AI推理有三个主要不同，一个是就规模而言，AI推理需要更大的规模；第二，AI推理很有可能在通用服务器上和其他工作负载同时运行；第三，AI推理对速度的要求更高，而且还需要不断地进行大量重复，以向用户快速交付结果。
Jeff Wittich表示，无论是Ampere Altra还是AmpereOne系列处理器都非常适用于AI推理，特别是大规模的云场景。目前，已经有许多客户都在使用Ampere Altra系列处理器进行AI推理，并且得到我们Library中很多软件工具的支持，包括TensorFlow、PyTorch、ONNX常用的主流框架。
审核编辑：刘清