A100 80GB — provider does not specify PCIe/SXM

Tekniset tiedot selitettynä

Käyttökohteet: AI training, inference ja HPC

1. 0180 GB HBM2E-muistia

   VRAM

   80 GB

   Muistityyppi

   HBM2E

   HBM (High Bandwidth Memory) on pinottu kerroksiin ja sijaitsee aivan suorittimen vieressä samassa paketissa. Tämä lyhyt ja leveä väylä antaa HBM-muistilla varustetuille kiihdyttimille niiden muistin kaistanleveyden, minkä vuoksi ne valitaan yleensä töihin, joita rajoittaa se, kuinka nopeasti data pääsee ytimille, kuten suurten mallien inferenssiin ja HPC-simulaatioon.

   VRAM on kortin työtila. Mallin painojen, aktivaatioiden ja datajoukkojen on mahduttava siihen, tai ne on jaettava usealle GPU:lle. Nyrkkisääntö pelkille painoille 16 bitin tarkkuudella (noin 2 GB miljardia parametria kohti): enintään noin 40 miljardia parametria, ennen aktivaatioita ja välimuistia. Tämä on kirjatun VRAM-muistin laskutoimitus, ei vertailuarvo.

2. 02Ampere-arkkitehtuuri

   Arkkitehtuuri

   Ampere

   Julkaisuvuosi

   2020

   Elinkaaren tila

   Previous

   Ampere toi datakeskuskomponentteihinsa kolmannen sukupolven Tensor Core -ytimet, TF32-tarkkuuden ja Multi-Instance GPU -ominaisuuden (MIG). (Yleistä taustaa arkkitehtuurista, ei väite tästä nimenomaisesta kortista.)

   Lanseerattu vuonna 2020. Kovara-alustan tietueissa se on kirjattu edellisen sukupolven komponentiksi.

3. 03Suunniteltu skaalautumaan usealle GPU:lle

   NVLink

   Tuettu

   MIG

   Tuettu

   NVLink on suora GPU:sta GPU:hun kulkeva yhteys. Missä se on tuettu, saman palvelimen GPU:t voivat vaihtaa dataa nopeammin kuin pelkän PCIe:n kautta, millä on merkitystä, kun yksi koulutusajo jakautuu usealle GPU:lle.

   Multi-Instance GPU (MIG) voi jakaa yhden fyysisen GPU:n eristettyihin osiin, joilla kullakin on oma muistinsa ja oma laskentatehonsa, jolloin useampi pienempi työkuorma voi jakaa kortin.

4. 04Mihin sitä käytetään

   Pääasiallinen käyttö (kirjattu)

   AI training / inference / HPC

   Nämä ovat käyttötarkoitukset, jotka Kovara on kirjannut tälle komponentille. Huomautukset selittävät työkuorman yleisellä tasolla; ne eivät ole suorituskykyväitteitä.

   • AI trainingMallin opettaminen datasta. Yleensä eniten laskentakapasiteettia ja muistia vaativa vaihe, joka on usein jaettu monelle GPU:lle.
   • inferenceKoulutetun mallin ajaminen pyyntöihin vastaamiseksi. Yleensä keskeisiä seikkoja ovat muistikapasiteetti, viive ja kustannus pyyntöä kohti.
   • HPCTieteellinen ja tekninen simulaatio, jossa numeerinen tarkkuus ja muistin kaistanleveys ovat tärkeitä.

Luvut ovat Kovara-alustan perustietoja, viimeksi varmennettu 25.9.2026. Selitykset kuvaavat teknologiaa yleisesti; ne eivät ole vertailuarvoja eivätkä kerro mitään hinnasta tai saatavuudesta.