Volgens de officiële website van Huawei houdt Huawei vandaag (23 augustus) de Ascend 910 AI-processor en MindSpore open source computing framework-conferentie in Shenzhen. Huawei zei dat het de snelst presterende AI-processor en het full-field AI-computerraamwerk morgen op de komende conferentie zal lanceren.
Huawei heeft officieel aangekondigd dat de conferentie zal worden vrijgegeven door Huawei's roterende voorzitter Xu Zhijun om de Ascend 910 AI-processor en het MindSpore-computerraamwerk vrij te geven. Huawei voorzitter Xu Zhijun, Chief Strategy Architect Party Wenshuo, Fellow and Chip Strategy Fellow Ai Wei en Cloud BU EI Product General Manager Jia Yongli namen deel aan de Q & A-sessie.
Al in oktober 2018, op Huawei de full-link-conferentie, werkte Xu Zhijun, de voorzitter van het roterende bedrijf van Huawei, eerst de AI-strategie uit en kondigde officieel twee AI-chips aan, de Shengteng 910 en de Shengteng 310. Xu Zhijun zei dat de Shengteng 910 was de chip met de hoogste dichtheidberekening op een enkele chip.
Volgens snelle technologierapporten introduceerde Huawei tijdens de HotChips, de topconferentie van de branche die maandag werd geopend, kort enkele details van de Asend 910.
Tijdens de conferentie laat de PPT zien dat de Asend 910 is gebaseerd op de Da Vinci-kernarchitectuur en is gebouwd met het 7nm verbeterde EUV-proces. De enkele Die heeft 32 ingebouwde DaVinci-kernen, halfprecisie tot 256TFOP's en een stroomverbruik van 350 W. De computerdichtheid van Ascend 910 overtrof de concurrerende NVIDIA Tesla V100 en Google TPU v3. Huawei ontwierp ook een AI-computerserver met 2048 knooppunten, met een algemene prestatie van maximaal 512 Peta Flops (2048 x 256).
Volgens de officiële WeChat-informatie van Huawei bestaat Da Vinci voornamelijk uit de kern 3D Cube, Vector vector computing-eenheid, Scalar scalar computing-eenheid, enz. De 3D Cube versnelt de matrixwerking en verhoogt het AI-rekenvermogen per stroomverbruik aanzienlijk . De AI Core kan 4096 MAC-bewerkingen in één klokcyclus implementeren. Tegelijkertijd worden Buffer L0A, L0B en L0C gebruikt om de inputmatrix en outputmatrixgegevens op te slaan en zijn ze verantwoordelijk voor het overdragen van gegevens naar de Cube computing-eenheid en het opslaan van de berekeningsresultaten.