Xiaomi AI Cube: три собственных чипа для локальной модели 120B

Xiaomi показала AI Cube Prototype: компактный настольный компьютер, в котором одновременно работают три собственных чипа XRING. Это пока инженерный образец, созданный для демонстрации локального запуска больших моделей.

Главная идея устройства состоит в разделении задач. Вместо одной универсальной микросхемы Xiaomi объединила мобильный процессор, специализированный ИИ-ускоритель и автомобильный вычислительный чип.

Три чипа делят работу

XRING O3 выполняет роль основного SoC. Xiaomi заявляет 10-ядерный CPU, 16-ядерный GPU G2-Ultra NX и нейропроцессор производительностью 200 TOPS. Поддержка LPDDR6 относится именно к O3 и не объясняет рекордную пропускную способность всей системы.

За обмен данными при ИИ-вычислениях отвечает XRING O100. Его вычислительный слой и два слоя высокоскоростной памяти соединены упаковкой Wafer-on-Wafer. Заявлены 28 672 линии передачи данных и пропускная способность 1,22 ТБ/с. Такая архитектура должна уменьшить задержку между памятью и вычислительными блоками. Независимых тестов пока нет.

Третий чип, XRING D100, Xiaomi разрабатывала для интеллектуального вождения. Он производится по 3-нм техпроцессу, содержит 20-ядерный CPU и 16-ядерный NPU и поддерживает до 160 ГБ объединённой памяти. Это предел чипа, а не подтверждённая конфигурация самого AI Cube.

На демонстрационном устройстве локально развёрнуты модели на 120 и 3 миллиарда параметров. Система переключается между быстрым и медленным режимами, а постоянная мощность достигает 150 Вт. Корпус выполнен из цельного алюминия и получил 33 874 отверстия, вырезанных на станках с ЧПУ.

Пока это инженерный образец

Xiaomi не сообщила цену, дату выхода, объём памяти, накопитель или рынки продаж. O100 и D100 планируют начать коммерчески применять в 2027 году, но это не обещание выпустить AI Cube в том же году. Компания пока даже не подтвердила розничную версию.

AI Cube интересен как направление: Xiaomi пробует собрать локальный ИИ-компьютер целиком на собственной вычислительной платформе. Сравнивать его с готовыми рабочими станциями рано. Для этого нужны серийная конфигурация, энергопотребление под реальной нагрузкой, скорость генерации и независимые тесты.

Источники: VideoCardz, IT之家, CnEVPost.

Следующий шаг

Локальные модели в работе: Mac Studio, DAWalka и DeepSeek — рассказ Миши Иванова

Связанные материалы

• Статья: Qwen3.8 на Mac mini M4 Pro: сначала всё сломалось, потом он написал эту статью
• Блог: DFlash 2 ускоряет локальные модели до 4,6 раза без потери качества
• База знаний: Unsloth: практическое руководство по дообучению LLM

Локальная ИИ-инфраструктура становится отдельным классом решений. Обсуждение полезно командам, которые оценивают собственное железо, приватность данных и зависимость от облачных моделей.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov