Gaudi 2 96GB

Specifiche spiegate

Utilizzato per AI training e inference

1. 0196 GB di memoria HBM2E

   VRAM

   96 GB

   Tipo di memoria

   HBM2E

   Larghezza di banda della memoria

   2.45 TB/s

   L’HBM (High Bandwidth Memory) è impilata a strati e si trova accanto al processore, nello stesso package. Questo percorso breve e ampio è ciò che dà agli acceleratori con HBM la loro larghezza di banda di memoria, per cui di solito vengono scelti per i carichi limitati dalla velocità con cui i dati raggiungono i core, come l’inferenza di modelli di grandi dimensioni e la simulazione HPC.

   La VRAM è lo spazio di lavoro sulla scheda. Pesi del modello, attivazioni e dataset devono entrarci, oppure essere suddivisi su più GPU. Regola empirica per i soli pesi con precisione a 16 bit (circa 2 GB per miliardo di parametri): fino a circa 48 miliardi di parametri, prima di attivazioni e cache. È un calcolo aritmetico sulla VRAM registrata, non un benchmark.

2. 02Architettura Gaudi2

   Architettura

   Gaudi2

   Generazione

   Gaudi 2

   Anno di lancio

   2022

   Stato del ciclo di vita

   Previous

   Gaudi è la linea di acceleratori per l’IA di Intel, progettata per il training e l’inferenza del deep learning, con la rete integrata nel chip. (Contesto generale sull’architettura, non un’affermazione su questa scheda specifica.)

   Lanciato nel 2022. I record di Kovara lo indicano come un componente della generazione precedente.

3. 03Form factor e alimentazione

   Form factor

   Mezzanine accelerator

   TDP

   600 W

   I moduli acceleratore sono montati su una baseboard anziché inseriti come schede, il layout usato per i server multi-acceleratore ad alta densità.

   Il TDP è la potenza termica di progetto nominale: il valore di riferimento per l’alimentazione e il raffreddamento in un server.

4. 04A cosa serve

   Utilizzo principale (registrato)

   AI training / inference

   Questi sono gli utilizzi che Kovara ha registrato per questo componente. Le note spiegano il carico di lavoro in termini generali; non sono dichiarazioni sulle prestazioni.

   • AI trainingL’addestramento di un modello a partire dai dati. Di solito la fase più esigente in termini di capacità di calcolo e di memoria, spesso distribuita su molte GPU.
   • inferenceL’esecuzione di un modello addestrato per rispondere alle richieste. Le preoccupazioni abituali sono la capacità di memoria, la latenza e il costo per richiesta.

Le cifre sono dati anagrafici di Kovara, ultima verifica: 25 set 2026. Le spiegazioni descrivono la tecnologia in generale; non sono benchmark e non dicono nulla su prezzo o disponibilità.