Cerebras CS-4: "Quái vật" suy luận AI nhanh gấp 30 lần GPU, thiết kế cho kỷ nguyên mô hình 10 nghìn tỷ tham số

Cerebras vừa chính thức trình làng CS-4, một hệ thống rack-scale hoàn toàn mới được mệnh danh là kiến trúc dành cho AI tiên phong (frontier AI). Với sức mạnh từ chip wafer-scale WSE-3 Turbo, CS-4 không chỉ đạt tốc độ suy luận nhanh hơn tới 30 lần so với hệ thống GPU truyền thống mà còn mang đến hiệu quả kinh tế vượt trội và khả năng triển khai siêu quy mô (hyperscale) chưa từng có.

Điểm đột phá cốt lõi nằm ở kiến trúc Nexus Platform Architecture mới, tách biệt hoàn toàn lớp hạ tầng (nguồn, làm mát, mạng) khỏi phần tính toán. Nhờ đó, thời gian triển khai giảm từ vài ngày xuống còn vài giờ — một yếu tố sống còn trong các trung tâm dữ liệu lớn.

Tốc độ suy luận vượt trội: 1.000 token/giây trên mô hình 10 nghìn tỷ tham số

Điểm nhấn lớn nhất của CS-4 là khả năng tạo token cực nhanh. Theo công bố chính thức, hệ thống này đạt tốc độ hơn 1.000 token mỗi giây ngay cả trên các mô hình có quy mô vượt quá 10 nghìn tỷ tham số — điều mà GPU khó lòng theo kịp do nghẽn cổ chai bộ nhớ.

"CS-4 dịch chuyển đường cong Pareto của suy luận, mang lại thông lượng cao hơn tới 10 lần mỗi watt so với CS-3, đồng thời tạo token nhanh hơn 30 lần so với hệ thống GPU đang vận hành."

Bí quyết nằm ở việc giảm độ trễ liên kết wafer-to-wafer xuống chỉ còn 2 micro giây (µs), nhờ hệ thống Wafer I/O Module mới. Điều này cho phép liên kết các wafer với nhau trong cùng một rack hoặc giữa các rack mà không cần qua switch, duy trì hiệu năng tương tác (interactive decode) ở quy mô chưa từng có.

Kiến trúc "túi ba lô" wafer-scale: Cách mạng hóa thiết kế máy chủ

Cerebras đã thiết kế lại hoàn toàn máy chủ truyền thống với khái niệm Wafer-Scale Backpack. Mỗi "túi ba lô" là một cụm lắp ráp khép kín, gói gọn wafer, bộ chuyển đổi nguồn, làm mát bằng chất lỏng trực tiếp (direct liquid cooling), I/O tốc độ cao và mạch điều khiển vào một khối 3D nhỏ gọn với số linh kiện giảm 50%.

Phần cấp nguồn cũng được tối ưu triệt để khi đặt chỉ cách bộ xử lý 0,5 mm — gần hơn khoảng 100 lần so với khoảng cách 50 mm trên bo mạch GPU thông thường. Nhờ vậy, tổn thất điện năng gần như bị loại bỏ, cho phép truyền gấp đôi công suất tới WSE-3T, giúp chip hoạt động ở tần số cao hơn và tạo token nhanh hơn.

Nexus Platform: Triển khai hạ tầng trước, tính toán sau

Chiến lược đặc biệt thông minh của CS-4 là tách riêng phần PowerRack (nguồn + làm mát + mạng) khỏi phần tính toán. Các trung tâm dữ liệu có thể cài đặt và kiểm định hạ tầng này trước khi compute backpack được vận chuyển đến. Khi compute đến, chỉ cần trượt vào vị trí là hệ thống tự động kết nối nguồn, làm mát và dữ liệu.

Kiến trúc rack-scale của Cerebras CS-4

Phương pháp này phù hợp hoàn hảo cho các nhà cung cấp dịch vụ đám mây lớn, vì:

• Rút ngắn thời gian đưa hệ thống vào hoạt động từ vài ngày xuống vài giờ.
• Giảm thiểu rủi ro khi nâng cấp thế hệ sau (chỉ cần thay compute backpack).
• Đơn giản hóa việc bảo trì và thay thế linh kiện theo mô-đun.

Thông số ấn tượng và bối cảnh cạnh tranh

Với ba WSE-3 Turbo trong mỗi hệ thống, mỗi wafer đạt tốc độ nhanh gấp đôi thế hệ trước, CS-4 cho thấy tham vọng thống trị phân khúc suy luận AI hiệu năng cao. Lô hàng CS-4 đầu tiên dự kiến bắt đầu giao trong quý này (Q1/2025).

Wafer-scale backpack chi tiết

Đối với thị trường Việt Nam, nơi các doanh nghiệp đang dần quan tâm đến AI tạo sinh và mô hình ngôn ngữ lớn, hệ thống này chủ yếu phục vụ các nhà cung cấp hạ tầng đám mây hoặc tập đoàn công nghệ lớn. Tuy nhiên, xu hướng tối ưu hóa suy luận (inference) sẽ gián tiếp giúp giảm chi phí vận hành cho các dịch vụ AI nội địa trong tương lai.

Toàn cảnh trung tâm dữ liệu triển khai CS-4

Kết luận

Cerebras CS-4 không chỉ là một bản nâng cấp phần cứng, mà còn là một tuyên ngôn về kiến trúc cho kỷ nguyên mô hình "tens of trillions" tham số. Với tốc độ suy luận vượt trội, kiến trúc mô-đun linh hoạt và hiệu suất điện năng ấn tượng, CS-4 đặt ra tiêu chuẩn mới cho hạ tầng AI siêu quy mô — thách thức trực tiếp vị thế thống trị của GPU trong các trung tâm dữ liệu hiện đại.