加速AI計算

隨著 AI 大模型的發(fā)展，如何加速計算成了行業(yè)想要突破的重點領域。大模型的蓬勃發(fā)展讓 AI 芯片成為了熱門話題。為了更好地支持 AI 大模型，如何提高 AI 芯片性能也成為了產(chǎn)業(yè)關注的話題。

在談論 AI 芯片性能的時候，首先想到的一個指標就是算力即每秒操作數(shù)，通常用 TOPS（Tera Operations Per Second）來表示，例如 NVIDIA 的 H100INT8 Tensor Core 可以達到 3958TOPS。

AI 芯片的算力固然重要，但也并不能了解芯片的能效，尤其是對于邊緣端芯片，低功耗是一個剛需指標。因此，通常使用單位功率下的每秒操作數(shù)來衡量芯片的能效，常用單位為 TOPS/W。以英偉達 Orin 舉例，200 TOPS 算力下，功耗 45W 的話，能效為 200TOPS/45W=4.44TOPS/W。

再展開了解，除了每秒操作數(shù)和能效，AI 芯片的性能的衡量還和時延、功耗、芯片成本/面積、吞吐量、可擴展性、靈活性和適用性和熱管理等。既然 AI 芯片的衡量指標有這么多，那么想要提升芯片的表現(xiàn)也就需要從改善這些方面下手。

AI 芯片知多少

在探討如何提升 AI 芯片性能之前，先來了解一下幾個 AI 芯片的指標的影響因素。

1. 時延

時延通常與 AI 神經(jīng)網(wǎng)絡處理的數(shù)據(jù)大?。ò?Batch size）有關。反映的是 AI 芯片的實時性能，主要適用于客戶端應用。

2. 功耗

在云端、邊緣和終端，功耗都是十分重要的指標。功耗包括芯片中計算單元的功率消耗，也包括片上存儲和片外存儲的功率消耗。

3. 芯片成本/面積

裸片面積對成本有直接影響，每片晶圓上產(chǎn)出的合格芯片越多，單個芯片的成本就越低。相同的設計，芯片面積大小取決于所用的工藝技術節(jié)點，節(jié)點越小，面積就越小。這也就解釋了為什么行業(yè)一直在追求更先進節(jié)點。

4 吞吐量

單位時間內(nèi)能夠處理的數(shù)據(jù)量。對于視頻應用來說，通常用分辨率和 FPS（Frames Per Second，也就是幀率）來表示，大的吞吐量能夠保證視頻畫面的連續(xù)性。提高吞吐量的方法包括：提高時鐘頻率、增加處理單元數(shù)量、提高處理單元的利用率等。

5. 可擴展性

可擴展性表示是否可以通過擴展處理單元及存儲器來提高計算性能，Scale up 指對單個 AI 芯片的架構，通過添加更多的處理單元，核數(shù)和存儲器來提升芯片整體性能。Scale out 指是由多個 AI 芯片構成的系統(tǒng)，通過添加更多 AI 芯片來提升系統(tǒng)的整體性能。（性能包括：運算能力，還有存儲能力和數(shù)據(jù)傳輸能力等）以英偉達 H100 為例，這款 GPU 包括多個規(guī)格，這也讓算力范圍實現(xiàn)了 26 teraFLOPS～3958 TOPS*的不同表現(xiàn)。

6. 靈活性和適用性

靈活性和適用性決定了相同的設計是否可以應用在不同的領域，以及芯片是否可以運行不同的深度學習模型，這一指標可能設計許多軟件層面的工作。

7. 熱管理

隨著單位面積中的晶體管數(shù)量不斷增加，芯片工作時的問題急劇升高，需要有較好的熱管理方案。常見的散熱方法為風扇散熱，谷歌的 TPUv3 則用到了最新的液體冷卻技術。如一款 AI 芯片算力相當高，但功耗也同樣很高，經(jīng)常一過熱就要導致自動降頻這樣的 AI 芯片也很難說是一款優(yōu)秀的 AI 芯片。

AI 芯片的限制

提到 AI 芯片的限制，就不得不提到「馮·諾依曼瓶頸」，而這個詞已經(jīng)不再那么陌生。

在傳統(tǒng)馮·諾伊曼體系結構中，數(shù)據(jù)從處理單元外的存儲器提取，處理完之后再寫回存儲器。在 AI 芯片實現(xiàn)中，由于訪問存儲器的速度無法跟上運算部件消耗數(shù)據(jù)的速度，再增加運算部件也無法得到充分利用，即形成所謂的馮·諾伊曼「瓶頸」，或「內(nèi)存墻」問題，是長期困擾計算機體系結構的難題。

這也就引出一個提高 AI 性能的路徑，即支持高效的數(shù)據(jù)訪問。例如利用高速緩存 (Cache) 等層次化存儲技術盡量緩解運算和存儲的速度差異。

AI 芯片中需要存儲和處理的數(shù)據(jù)量遠遠大于之前常見的應用。大部分針對 AI，特別是加速神經(jīng)網(wǎng)絡處理而提出的硬件架構創(chuàng)新都是在和馮·諾伊曼的瓶頸做斗爭。

在架構層面可以減少訪問存儲器的數(shù)量，比如減少神經(jīng)網(wǎng)絡的存儲需求、 數(shù)據(jù)壓縮和以運算換存儲等 ；也可以降低訪問存儲器的代價，盡量拉近存儲設備和運算單元的「距離」，甚至直接在存儲設備中進行運算。

從 AI 芯片設計的角度來說，要達到較好的性能和能效，最好是對架構級、算法級和電路級三個層面進行跨層設計，以實現(xiàn)對各種指標的總體權衡。

使用領先的工藝節(jié)點是過去的重要途徑，但由于基礎物理原理限制和經(jīng)濟的原因，持續(xù)提高集成密度將變得越來越困難。目前，CMOS 器件的橫向尺寸接近幾納米，層厚度只有幾個原子層，這會導致顯著的電流泄漏，降低工藝尺寸縮小的效果。此外，這些納米級晶體管的能量消耗非常高，很難實現(xiàn)密集封裝。

因為工藝的提升空間有限，是否有其他角度的解決方案能突破 AI 芯片的技術瓶頸。

兩種解決方法

1. 類腦芯片

在計算架構和器件層面，類腦芯片是一個不錯的思路。神經(jīng)元和大腦突觸的能量消耗比最先進的 CMOS 器件還低幾個數(shù)量級。IBM 的 Neuromorphic 的終極理念是把記憶和運算建立在高維連接上，而不是器件上；當然最終也降低了運算功耗。許多人工智能算法在其程序中模擬神經(jīng)網(wǎng)絡。他們使用并行處理來識別圖像中的對象和語音中的單詞。

近期，IBM 推出了一款新的類腦芯片 NorthPole「北極」，北極模糊了計算和存儲之間的界限，IBM 研究院的 Dharmendra Modha 表示，「在單個內(nèi)核級別，NorthPole 顯示為接近計算的內(nèi)存，而在芯片外部，在輸入輸出級別，它顯示為活動內(nèi)存。這使得 NorthPole 易于集成到系統(tǒng)中，并顯著降低了主機上的負載?！?/span>

英特爾也推出了 Loihi 神經(jīng)形態(tài)計算處理機器。應用腦研究聯(lián)合首席執(zhí)行官、滑鐵盧大學教授克里斯·埃利亞史密斯 (Chris Eliasmith) 是使用這項新技術的幾位研究人員之一。他表示 「使用 Loihi 芯片，我們已經(jīng)能夠證明運行實時應用程序時的功耗降低了 109 倍。 深度學習 與 GPU 相比，功耗降低了 5 倍……更好的是，當我們將網(wǎng)絡擴展 50 倍時，Loihi 可以保持實時性能結果，并且僅使用 30% 的電量，而物聯(lián)網(wǎng)硬件使用的電量增加了 500%，并且不再是實時的。」

2. 存算一體

近年來，可以存儲模擬數(shù)值的非易失性存儲器發(fā)展迅猛，它可以同時具有存儲和處理數(shù)據(jù)能力，可以破解傳統(tǒng)計算體系結構的一些基本限制，有望實現(xiàn)類腦突觸功能。（某種意義上存算一體就是實現(xiàn)類腦計算的方式。）

目前比較流行的存內(nèi)計算范式是——利用存內(nèi)計算加速 VMM（Vector-Matrix Multiplication）或 GEMM（General Matrix Multiplication）運算。

基于憶阻器內(nèi)存高速訪問、斷電后仍可保存數(shù)據(jù)的特性，可以實現(xiàn)內(nèi)存+硬盤二合一，解決數(shù)據(jù)的大量移動，從而進一步實現(xiàn)了完全在芯片上進行學習任務。憶阻存內(nèi)計算范式則被認為是有望解決該問題的候選方案之一。以機器學習為代表的軟計算應用方向已經(jīng)在憶阻陣列上得到了廣泛的驗證，包括神經(jīng)網(wǎng)絡、數(shù)據(jù)聚類和回歸等諸多領域。同時，以科學計算和圖像處理為代表的硬計算也成功在憶阻陣列上實現(xiàn)，并在降低功耗和時間復雜度等方面取得了很大突破。究其根本，這些應用的發(fā)展都得益于憶阻陣列能夠以很高的并行性執(zhí)行并行矩陣向量乘法操作，并消除了大量的數(shù)據(jù)移動任務。然而，憶阻存內(nèi)計算仍面臨著從底層硬件到系統(tǒng)設計各個層面的不可忽視的挑戰(zhàn)。

2023 年 10 月，清華大學集成電路學院教授吳華強、副教授高濱基于存算一體計算范式，研制出全球首款全系統(tǒng)集成、支持高效片上學習（機器學習能在硬件端直接完成）的憶阻器存算一體芯片。相同任務下，該款芯片實現(xiàn)片上學習的能耗僅為先進工藝下專用集成電路系統(tǒng)的 3%，展現(xiàn)出卓越的能效優(yōu)勢，具有滿足人工智能時代高算力需求的應用潛力。相關成果可應用于手機等智能終端設備，還可以應用于邊緣計算場景，比如汽車、機器人等。

存算一體已經(jīng)成為多個存儲芯片廠商的主要研究方向。

3. 加速不同組件之間的數(shù)據(jù)傳輸速度

另一個問題是要解決，設備之間的內(nèi)存鴻溝：包括內(nèi)存容量、內(nèi)存帶寬和 I/O 延遲等問題。

過去服務器內(nèi)的芯片連接通常是用 PCIe 完成的，從性能和軟件的角度來看，使用 PCIe，不同設備之間通信的開銷相對較高。此外，連接多臺服務器通常意味著使用以太網(wǎng)或 InfiniBand，這些通信方法存在著相同的問題，具有高延遲和低帶寬。

2018 年，IBM 和 Nvidia 帶來了解決 PCIe 與 NVLink 缺陷的解決方案，應用在當時世界上最快的超級計算機 Summit 上。AMD 在 Frontier 超級計算機中也有類似的專有解決方案，名為 Infinity Fabric。之后，英特爾制定了自己的標準，并于 2019 年將其專有規(guī)范作為 CXL1.0 捐贈給了新成立的 CXL 聯(lián)盟。該標準得到了半導體行業(yè)大多數(shù)買家的支持。

CXL 是一種開放式行業(yè)標準互連，可在主機處理器與加速器、內(nèi)存緩沖區(qū)和智能 I/O 設備等設備之間提供高帶寬、低延遲連接，從而滿足高性能異構計算的要求，并且其維護 CPU 內(nèi)存空間和連接設備內(nèi)存之間的一致性。CXL 優(yōu)勢主要體現(xiàn)在極高兼容性和內(nèi)存一致性兩方面上?；跇I(yè)界大多數(shù)參與者的支持，CXL 使向異構計算的過渡成為可能。

CXL 聯(lián)盟已經(jīng)確定了將采用新互連的三類主要設備：

智能網(wǎng)卡等加速器通常缺少本地內(nèi)存。通過 CXL，這些設備可以與主機處理器的 DDR 內(nèi)存進行通信。

GPU、ASIC 和 FPGA 都配備了 DDR 或 HBM 內(nèi)存，并且可以使用 CXL 使主機處理器的內(nèi)存在本地可供加速器使用，并使加速器的內(nèi)存在本地可供 CPU 使用。它們還位于同一個緩存一致域中，有助于提升異構工作負載。

可以通過 CXL 連接內(nèi)存設備，為主機處理器提供額外的帶寬和容量。內(nèi)存的類型獨立于主機的主內(nèi)存。

不同于存內(nèi)計算，CXL 則是處理器廠商的主要攻克方向。

在加速 AI 計算的硬件之路，不同公司都在探索新的方法。哪些嘗試會帶來跨時代的改變？我們拭目以待。