為“大腦”分擔任務(wù) 半導體廠商的架構(gòu)創(chuàng)新方法論

　　大模型作為近年來最重要的新興計算場景，對芯片的算力和內(nèi)存需求都提出了極大挑戰(zhàn)。北京大學集成電路學院研究員賈天宇向《中國電子報》記者表示，在傳統(tǒng)摩爾定律難以為繼的背景下，半導體企業(yè)需要通過利用架構(gòu)設(shè)計、制造工藝、先進封裝等多個層級協(xié)同的設(shè)計手段來滿足大模型的計算需求。例如，通過采用異構(gòu)計算、存算一體、三維堆疊等先進計算理念降低芯片的能耗，提高單一芯片的性能和能效。此外，針對大模型的大算力需求，芯片的可擴展性也變得尤為重要。重視多芯片的系統(tǒng)級擴展和互聯(lián)技術(shù)，也成為半導體企業(yè)技術(shù)研發(fā)中不可忽視的重要內(nèi)容。

　　“在控制大模型帶來的能耗和成本方面，半導體企業(yè)可以通過優(yōu)化計算架構(gòu)、提升能效等措施，降低大模型的能耗和成本。但針對大規(guī)模的大模型訓練，需要與軟件生態(tài)、數(shù)據(jù)中心建設(shè)等多環(huán)節(jié)配合，共同為企業(yè)和開發(fā)者提供更具成本效益的解決方案。”賈天宇說。

　　如賈天宇所說，架構(gòu)創(chuàng)新素來被視為實現(xiàn)芯片技術(shù)突破的發(fā)動機。在采訪中，多家半導體企業(yè)負責人都向記者闡述了基于架構(gòu)創(chuàng)新和優(yōu)化為大模型增效降耗的思路。

　　長期以來，人工智能及其熱門應(yīng)用常常被喻為“大腦”，比如自動駕駛被喻為“車輪上的大腦”。但是，人腦并不是僅僅依靠大腦工作，腦干、小腦也承擔了許多任務(wù)，比如控制心跳和體溫，保持身體的穩(wěn)定性、協(xié)調(diào)性等。如果大腦進行所有的決策和控制，人體就很難負擔大腦需要的能量。

　　比照包含大腦、小腦、腦干的人腦系統(tǒng)，恩智浦半導體執(zhí)行副總裁兼首席技術(shù)官Lars Reger為記者描述了一種更加高效節(jié)能的計算體系：以AI算力芯片為“大腦”，進行高效能的計算和加速;以網(wǎng)關(guān)處理器為“小腦”，實現(xiàn)不同功能區(qū)的互聯(lián)和集成，以及異構(gòu)網(wǎng)絡(luò)中的數(shù)據(jù)處理;以MCU、感知芯片、聯(lián)網(wǎng)芯片作為“腦干”，實現(xiàn)感知和實時任務(wù)處理。

　　“有的車廠CEO告訴我們，由于能耗的問題，他們不得不降低汽車的續(xù)航，這主要是因為現(xiàn)有的技術(shù)架構(gòu)不夠高效。所以在開發(fā)系統(tǒng)時，我們要確保在正常運行的情況下，不需要時刻激活大腦的功能，只要小腦就可以了。比如我們在開車的時候，更多是基于平時的規(guī)則和訓練下意識地駕駛，只有遇到挑戰(zhàn)的時候才需要用到大腦。”Lars Reger向《中國電子報》記者表示。

　　據(jù)悉，恩智浦已經(jīng)將這套計算理念集成到了智能駕駛的技術(shù)架構(gòu)中，架構(gòu)中“小腦”和“腦干”部分由恩智浦的技術(shù)來保障的。S32G作為網(wǎng)關(guān)處理器，扮演小腦的角色;S32K等用于車身各部分控制的MCU、S32R等傳感芯片、S32Z等域控制和區(qū)域控制芯片以及以太網(wǎng)連接產(chǎn)品，共同構(gòu)成“腦干”，以應(yīng)對能耗對續(xù)航的局限和挑戰(zhàn)。此外，《中國電子報》記者獲悉，恩智浦即將推出最新的5納米級旗艦產(chǎn)品，能夠把數(shù)據(jù)從車輛傳輸?shù)娇刂茊卧?/p>

　　跟著最新算法走 隨時提供軟硬件協(xié)同方案

　　隨著業(yè)界對大模型的研發(fā)和部署逐步深入，新的壓縮、調(diào)優(yōu)方式層出不窮，從算法和框架層面實現(xiàn)對大模型的提效降耗。但算法、框架的更新，需要半導體廠商及時跟上，提供相應(yīng)的軟硬件協(xié)同方案，才能實現(xiàn)新算法、新框架的部署。

　　比如，大模型的調(diào)優(yōu)方式，正在從完全微調(diào)走向更加簡捷、低功耗的微調(diào)方式。螞蟻集團聯(lián)合多所高校發(fā)布的《圍繞綠色計算發(fā)展機遇的一項調(diào)查》提到，傳統(tǒng)的調(diào)優(yōu)方式會微調(diào)所有模型參數(shù)，使通用大型語言模型適應(yīng)特定的目標任務(wù)，這一過程稱為完全微調(diào)。然而，當大模型的參數(shù)規(guī)模從百萬、千萬向數(shù)億乃至萬億規(guī)模發(fā)展，完全微調(diào)會帶來更長的程序代碼運行時間和高昂的存儲成本。為了解決這個問題，更加簡捷的微調(diào)方法已成為大模型的研究熱點。比如PEFT(高效參數(shù)微調(diào))僅更新模型參數(shù)的子集或附加的模塊，使大模型適配下游任務(wù)，以降低微調(diào)所需的計算和存儲資源;基于提示的微調(diào)則訓練大模型根據(jù)特定提示或指令生成響應(yīng)，引導大模型做出更理想的決策和行動。由于無需添加更多的訓練數(shù)據(jù)，基于提示的微調(diào)能節(jié)省大量的時間和成本，以實現(xiàn)更加綠色的計算。

　　圍繞基于提示的微調(diào)等最新微調(diào)方式，英特爾基于AI加速引擎和配套的軟件工具，進一步減少了微調(diào)所需的工作量。第四代英特爾至強可擴展處理器中內(nèi)置了矩陣乘法加速器AMX，能夠更快速地處理 BFloat16(BF16)或INT8數(shù)據(jù)類型的矩陣乘加運算，從而提升模型訓練和推理的性能。尤其對于ChatGLM-6B等在開源微調(diào)代碼中支持CPU 自動混合精度的大模型，開發(fā)者在啟動微調(diào)時加入CPU自動混合精度的使能參數(shù)，就可以直接利用矩陣乘法加速器提升大模型的微調(diào)計算速度。

　　英特爾院士、大數(shù)據(jù)技術(shù)全球CTO戴金權(quán)向《中國電子報》記者表示，解題大模型功耗和成本壓力的關(guān)鍵，是根據(jù)不同大模型的最新 技術(shù)需求，提供軟硬件協(xié)同的支撐方案。

　　“我們可以通過提供跨平臺的XPU架構(gòu)和開放的AI軟件架構(gòu)及優(yōu)化，為預訓練、微調(diào)、推理等不同的AI和大模型應(yīng)用，提供高效的開發(fā)部署平臺。”戴金權(quán)告訴記者。據(jù)他介紹，英特爾在硬件架構(gòu)方面，正在基于Gaudi AI加速器，數(shù)據(jù)中心Max GPU，內(nèi)置AMX加速的第四代至強處理器，以及邊緣和客戶端處理器為用戶提供XPU異構(gòu)計算支持。在軟件架構(gòu)層面，英特爾和社區(qū)在PyTorch、DeepSpeed、HuggingFace Transformers等開源項目開展合作，加入了在Intel XPU平臺上的眾多優(yōu)化。同時，英特爾的開源軟件工具IPEX、BigDL、INC、OpenVINO等，對大模型提供專門的支持和加速。

　　加速與降耗并行 打造更加節(jié)能的基礎(chǔ)設(shè)施

　　數(shù)據(jù)中心是AIGC和大模型主要的基礎(chǔ)設(shè)施之一，也是節(jié)能技術(shù)的重點發(fā)力領(lǐng)域。隨著全球的熱點IT應(yīng)用地區(qū)都在強調(diào)綠色數(shù)據(jù)中心，如何在降低能耗的同時釋放更高效能，成為英偉達、AMD等數(shù)據(jù)中心芯片供應(yīng)商的必答題。

　　圍繞數(shù)據(jù)中心的減碳需求，AMD宣布了到2025年為人工智能訓練和高性能計算應(yīng)用程序帶來30倍能效提升的目標。據(jù)AMD測算，30倍的能效提升將在2025年節(jié)省數(shù)十億千瓦時的電力，使系統(tǒng)在五年內(nèi)完成單次計算所需的電力減少97%。這一方面需要核心制程的提升，另一方面需要架構(gòu)的改進和技術(shù)的創(chuàng)新來提高算力。比如基于一顆第三代AMD EPYC服務(wù)器處理器和四個AMD Instinct MI250x GPU的加速節(jié)點，AMD實現(xiàn)了在2020年的基準水平之上提高6.79倍能效。

　　英偉達也將加速計算作為減少功耗的主要策略。加速庫是英偉達加速計算的核心，目前英偉達面向計算機視覺、數(shù)據(jù)處理、機器學習和 AI 等領(lǐng)域布局了300 個加速庫和400 個 AI 模型。

　　除了提升計算單元的能效，計算單元構(gòu)成的AI集群，也對數(shù)據(jù)中心的整體功耗有著重要影響。在計算單元互聯(lián)以構(gòu)建AI集群，以及集群、設(shè)備互聯(lián)構(gòu)建AI計算網(wǎng)絡(luò)的過程中，會產(chǎn)生大量網(wǎng)絡(luò)數(shù)據(jù)。若采用傳統(tǒng)的以太網(wǎng)架構(gòu)，會導致數(shù)據(jù)流的擁塞和延遲，使系統(tǒng)無法有效利用GPU，從而提升了大模型訓練的時間和成本。

　　在網(wǎng)絡(luò)平臺層面，英偉達推出專門面向AI負載的以太網(wǎng)架構(gòu)Spectrum-X。該架構(gòu)基于內(nèi)置Spectrum-4 AISC芯片的交換機與Blue-Field DPU，提升AI集群的資源利用和數(shù)據(jù)傳輸效率。在對GPT-3的訓練中，NVIDIA Spectrum-X 網(wǎng)絡(luò)平臺相比傳統(tǒng)以太網(wǎng)網(wǎng)絡(luò)架構(gòu)，實現(xiàn)了的 1.7 倍的加速效果。尤其針對數(shù)據(jù)中心常用的功率封頂措施，Spectrum-4 ASIC能夠簡化網(wǎng)絡(luò)設(shè)計，提高了每瓦的性能，幫助數(shù)據(jù)中心控制網(wǎng)絡(luò)功率預算。

　　從計算架構(gòu)的革新，軟硬件方案的更新，到基礎(chǔ)設(shè)施算力和互聯(lián)方式的迭代，半導體廠商正在從多個維度緩解大模型帶來的能耗壓力。而大模型的到來，也在倒逼算力系統(tǒng)的創(chuàng)新，為基礎(chǔ)軟硬件的各個節(jié)點帶來新的市場機會。

　　作者：張心怡　　來源：中國電子報、電子信息產(chǎn)業(yè)網(wǎng)