在拉斯维加斯正在进行的 AWS re:Invent 大会上，AWS 推出了针对高性能 AI 工作负载的下一代Trainium 和 Graviton 芯片。根据 AWS 的说法，Graviton4 比 Graviton3 提供明显更好的性能、更多的内核和更多的内存带宽。Graviton 是专为云工作负载构建的人工智能芯片系列。

　　第二个芯片 Trainium2 是一款高性能芯片，旨在在 Amazon Elastic Compute Cloud (EC2)  “UltraClusters”中大规模部署100,000 个独立芯片。这些 EC2 Ultracluster 旨在满足使用云的计算能力的可扩展需求。

　　根据GitHub 上的 AWS 官方技术指南，该阵容中之前的芯片也以高效率和高性能为目标。例如，Graviton3E 由针对云原生工作负载优化的可扩展 Arm Neoverse V1 CPU 提供支持。Neoverse V1使用可扩展矢量扩展（SVE），使Graviton3E能够适应不同的工作负载。与传统的单指令多数据 (SIMD) 架构相比，SVE 允许处理器在运行时而不是编译时适应不同的向量长度。

　　向量可以被认为是并行处理的元素的集合。传统 SIMD 架构中向量处理指令的一个示例是Intel x86 指令 _mm256_add_ps 指令。该指令适用于固定大小的 256 位向量。或者，使用 SVE，计算中使用的向量的大小是在运行时动态确定的。对于需要较小计算的工作负载，可以使用较小的向量来提高能源效率。因此，AWS 称赞 Graviton 3E 的矢量处理性能提高了 35%，也就不足为奇了。

　　AWS 创建 Graviton4是为了进一步提高 Graviton3E 的性能和可扩展性。Graviton4 由 Arm Neoverse V2 CPU 提供支持，Arm 表示该 CPU 可以使 Graviton3E 中使用的 Neoverse V1 的性能提高一倍。

　　Graviton4还具有增强的安全功能。Neoverse V2 CPU底层采用ArmV9，由于其保密的计算架构，本质上比其前辈更加安全。除了拥有更大的 2 MB 二级缓存外，Graviton4 还实现了分支目标识别 (BTI)，这是底层 Arm CPU 架构的另一个功能。这可以防止由于间接分支而执行不需要的指令，从而增强代码安全性。AWS 表示，Graviton4 的数据库速度提高了 40%，Web 应用程序速度提高了 30%，同时仍然强调安全性和可扩展性。

　　人工智能或机器学习技术最重要的一个方面是训练，即使用一组数据“教授”人工智能的过程。AWS Trainium 专门针对通过云进行高性能训练计算基础设施。

　　Trainium AI 加速器使用AWS NeuronCore 架构，每个加速器具有 32 GB 的带宽内内存，并提供高达 190 TFLOP 的计算能力。NeuronCore 具有用于张量（多维数组）计算、矢量处理和标量处理的独立引擎。

　　AWS 表示，通过部署在 EC2 UltraCluster 中，Trainium2 的训练基础模型 (FM) 和大型语言模型 (LLM) 的速度比以前快四倍。AWS 还允许访问其他令人垂涎的人工智能芯片，例如 Nvidia GPU。一些 Nvidia 芯片，例如 GH200 Superchips，将可以通过 EC2 服务访问。