導(dǎo)讀

AI大模型的熱潮不斷，預(yù)計(jì)未來十年，AGI時(shí)代即將到來。但目前支撐AI發(fā)展的GPU和AI專用芯片，都存在各種各樣的問題。 那么，在分析這些問題的基礎(chǔ)上，我們能不能針對(duì)這些問題進(jìn)行優(yōu)化，重新定義一款能夠支持未來十年AGI大模型的、足夠靈活通用的、效率極高性能數(shù)量級(jí)提升的、單位算力成本非常低廉的、新的AI處理器類型？

01.?首先分析場(chǎng)景特點(diǎn)，做好軟硬件劃分

1.1 一方面，AI處理器存在問題

差不多是從2015年前后，開始興起了專用AI芯片的浪潮。以谷歌TPU為典型代表的各種架構(gòu)的AI專用芯片，如雨后春筍般涌現(xiàn)。 但從AI落地情況來看，效果并不是很理想。這里的主要問題在于：

AI芯片專用設(shè)計(jì)，把許多業(yè)務(wù)邏輯沉到硬件里，跟業(yè)務(wù)緊密耦合；但業(yè)務(wù)變化太快，算法不斷更新，芯片和業(yè)務(wù)的匹配度很低。

AI算法是專用的，面向具體場(chǎng)景，比如人臉識(shí)別、車牌識(shí)別，各種物品識(shí)別等。綜合來看，算法有上千種，加上算法自身仍在快速演進(jìn)，加上各種變種的算法甚至超過數(shù)萬種。

用戶的業(yè)務(wù)場(chǎng)景是綜合性的，把業(yè)務(wù)場(chǎng)景比做一桌宴席，AI芯片就是主打的那道主菜。對(duì)AI芯片公司來說，自己只擅長(zhǎng)做這一道菜，并不擅長(zhǎng)做其他的菜品，更不擅長(zhǎng)幫助用戶搭配一桌美味可口、葷素均衡、營(yíng)養(yǎng)均衡的宴席。? ?

1.2 另一方面，GPU也存在問題

NVIDIA的GPU是通用并行處理器：

性能效率相對(duì)不高，性能逐漸見頂。要想算力提升，只能通過提升集群規(guī)模（Scale Out，增加GPU數(shù)量）的方式。

增加集群規(guī)模，受限于I/O的帶寬和延遲。一方面，集群的網(wǎng)絡(luò)連接數(shù)量為O(n^2)，連接數(shù)量隨著集群規(guī)模的指數(shù)級(jí)增加；另一方面，AI類的計(jì)算任務(wù)，不同節(jié)點(diǎn)間的數(shù)據(jù)交互本身就非常巨大。因此，受阿姆達(dá)爾定律影響，I/O的帶寬和延遲，會(huì)約束集群規(guī)模的大小。（在保證集群交互效率的情況下，）目前能支持的集群規(guī)模大約在1500臺(tái)左右。

還有另外一個(gè)強(qiáng)約束，就是成本。據(jù)稱GPT5需要5萬張GPU卡，單卡的成本在5W美金左右，再加上其他硬件和基礎(chǔ)設(shè)施已經(jīng)運(yùn)營(yíng)的成本。僅硬件開銷接近50億美金，即350億RMB。這對(duì)很多廠家來說，是天文數(shù)字。

1.3 問題的核心：芯片的靈活性要匹配場(chǎng)景的靈活性

首先，仍然是從我們之前很多文章中提到的這個(gè)“從軟件到硬件的典型處理器劃分圖”開始分析。? ?

指令是處理器軟件和硬件的媒介：有的指令非常簡(jiǎn)單，就是基本的加減乘除等標(biāo)量計(jì)算；有的指令非常復(fù)雜，不是純粹的向量、矩陣或多維張量計(jì)算，而是各種維度計(jì)算再組合的一個(gè)混合的宏指令，或者說是一個(gè)算子甚至算法，就對(duì)應(yīng)到一條（單位計(jì)算）指令。 AI專用處理器是一種DSA，是在ASIC基礎(chǔ)上具有一定的可編程能力。性能效率足夠好，但不夠靈活，不太適合業(yè)務(wù)邏輯和算法快速變化的AI場(chǎng)景。而GPU足夠靈活，但性能效率不夠，并且性能逐漸達(dá)到上限。 從目前大模型宏觀發(fā)展趨勢(shì)來看：

Transformer會(huì)是核心算法，在大模型上已經(jīng)顯露威力。未來模型的底層算法/算子會(huì)逐漸統(tǒng)一于Transformer或某個(gè)類Transformer的算法。從此趨勢(shì)分析可得：AI場(chǎng)景的業(yè)務(wù)邏輯和算法在逐漸收斂，其靈活性在逐漸降低。

此外，AI計(jì)算框架也走過了百家爭(zhēng)鳴的階段，目前可以看到的趨勢(shì)是，PyTorch占據(jù)了絕大部分份額。這說明整個(gè)生態(tài)也在逐漸收斂，整個(gè)系統(tǒng)的迭代也在放慢。? ?

這兩個(gè)趨勢(shì)都說明了，未來，“專用”的AI芯片會(huì)逐漸地綻放光芒。當(dāng)然了，作為AI芯片的公司，不能等，而是需要相向而行：

需要定義一款，其性能/靈活性特征介于GPU和目前傳統(tǒng)AI-DSA處理器之間的，新型的通用AI處理器。“比GPU更高效，比AI芯片更通用”。

通用性體現(xiàn)在兩個(gè)方面：

一方面，處理器的通用性。能夠適配更多的算法差異性和算法迭代，覆蓋更多場(chǎng)景和更長(zhǎng)的生命周期。

另一方面，面向AGI通用人工智能。不再是專用AI的“場(chǎng)景千千萬，處理器千千萬”，架構(gòu)和生態(tài)完全碎片；而是一個(gè)通用的強(qiáng)人工智能算法，一個(gè)通用的強(qiáng)處理器平臺(tái)，去強(qiáng)智能化的適配各種場(chǎng)景。

02.?大核少核 or 小核眾核？

CPU是大核，但通常一個(gè)芯片里只有不到100個(gè)物理核心；而GPU是小核眾核的實(shí)現(xiàn)，目前通常在上萬個(gè)核左右；而傳統(tǒng)AI芯片，通常是大的定制核+相對(duì)少量核（100核以內(nèi)）的并行。? ?

此外，一個(gè)很重要的現(xiàn)象是，GPU核，不再是之前只有CUDA核的標(biāo)量處理器，而是增加了很多Tensor核的類協(xié)處理器的部分。新的GPU處理器不再在處理器核的數(shù)量上增加，反而把寶貴的晶體管資源用在單個(gè)核的協(xié)處理器上，把單核的能力做更多的強(qiáng)化。 因此，新型通用AI芯片需要：

在目前工藝情況下，并行的單芯片處理器核心（GA，通用AI處理器核心）數(shù)量在500-1000之間比較合適；

單個(gè)GA采用通用高效能CPU核（例如定制的RISC-v CPU）+強(qiáng)大的Tensor協(xié)處理器的方式。? ?

03.?極致擴(kuò)展性，多層次強(qiáng)化內(nèi)聯(lián)交互

要想實(shí)現(xiàn)極致擴(kuò)展性，通常需要多個(gè)層次的資源切分和整合：

首先，單核心內(nèi)部。可以支持資源的虛擬切分和整合（類似CPU的分時(shí)共享和虛擬化vCPU）實(shí)現(xiàn)從1-m個(gè)vGA核的自由擴(kuò)展。

其次，單芯片內(nèi)部。可以從1-n個(gè)核的擴(kuò)展資源切分和整合，也就是說vGA可以實(shí)現(xiàn)1-m*n個(gè)資源的擴(kuò)展。

最后，眾多芯片構(gòu)成的計(jì)算集群。多個(gè)芯片可以組成一臺(tái)服務(wù)器、多個(gè)服務(wù)器組成一個(gè)機(jī)柜、多個(gè)機(jī)柜組成一個(gè)POD集群。可以通過集群互聯(lián)實(shí)現(xiàn)1-k個(gè)芯片的擴(kuò)展，也就是說，vGA實(shí)現(xiàn)1-m*n*k個(gè)資源的極致擴(kuò)展。

此外，每個(gè)層次的數(shù)據(jù)交互都要求極高，內(nèi)部需要非常強(qiáng)勁的NOC總線，外部需要帶寬數(shù)量級(jí)提升的高性能網(wǎng)絡(luò)的支持。? ?

04.?AI芯片案例

4.1 Tenstorrent的案例

Tenstorrent的AI核稱為Tensix，第一代Tensix每個(gè)核有五個(gè)標(biāo)量RISC CPU，單個(gè)計(jì)算引擎的性能為3 TOPS。

整個(gè)芯片代號(hào)為Wormhole，有80個(gè)Tensix核心，并且集成了ARC架構(gòu)的Host CPU。此外，Wormhole支持16個(gè)100Gbps的Ethernet網(wǎng)絡(luò)接口。? ?

采用Wormhole芯片，Tenstorrent設(shè)計(jì)了nebula（星云）服務(wù)器，一個(gè)4U服務(wù)器包含32個(gè)Wormhole芯片。

一個(gè)機(jī)柜包含8臺(tái)nebula服務(wù)器，上圖為兩個(gè)機(jī)柜互聯(lián)的架構(gòu)示意圖。 當(dāng)然，Scale out橫向擴(kuò)展功能并不止于此，Wormhole在機(jī)架級(jí)連接方面是非常靈活的。理論上可以達(dá)到幾乎無限的擴(kuò)展連接能力。

4.2 Tenstorrent Roadmap

Tenstorrent推出了自研的RISCv處理器 IP，從用于AI-DSA的小CPU核，用于IoT的MCU級(jí)別的CPU核心，到筆記本電腦、邊緣和服務(wù)器以及HPC場(chǎng)景的高性能CPU核。

目前，Tenstorrent的AI芯片，已經(jīng)量產(chǎn)的有Grayskull和Wormhole，BlackHole在公司內(nèi)部調(diào)試中。

2024年將推出基于Chiplet的AI芯片，集成了自研的RISC-v CPU和AI處理器。

4.3?Tenstorrent Wormhole的不足

從軟硬件融合的理念和理論出發(fā)，對(duì)Tenstorrent Wormhole進(jìn)行分析，仍有不少待優(yōu)化的地方：

單個(gè)Tensix核心的能力仍有待優(yōu)化。單核心內(nèi)部小的用于控制的CPU核，其工作仍需要進(jìn)一步優(yōu)化，哪些可以硬件卸載加速，哪些還需要在協(xié)處理器增強(qiáng)。此外，內(nèi)部的各種緩存設(shè)計(jì)仍需要進(jìn)一步優(yōu)化。

核數(shù)太少。通過優(yōu)化單核的資源消耗，以及通過更先進(jìn)工藝和Chiplet封裝等方式把核數(shù)再增加4/8倍，比較符合未來2-3年大模型現(xiàn)狀（從最新的Roadmap看，已經(jīng)在規(guī)劃中了）。

核間通信需要進(jìn)一步優(yōu)化。很多核間通信需要CPU參與，一方面集成CPU更高效（已經(jīng)在規(guī)劃中了），另一方面，進(jìn)一步把相關(guān)任務(wù)從CPU卸載到硬件加速。

片間通信優(yōu)化。支撐極致擴(kuò)展性的網(wǎng)絡(luò)端口，對(duì)高性能網(wǎng)絡(luò)技術(shù)的要求非常之高，需要進(jìn)一步加強(qiáng)。

軟硬件耦合設(shè)計(jì)。軟件和硬件必須解耦，而不是緊耦合。只有充分的解耦，才能各自“放飛自我”，實(shí)現(xiàn)更多的創(chuàng)新能力增強(qiáng)。

軟件定義。做AI大模型的客戶，通常都是大客戶。大客戶的業(yè)務(wù)系統(tǒng)是已經(jīng)存在的，客戶需要的僅僅是性能提升和成本下降。客戶并不想大范圍修改業(yè)務(wù)邏輯，更不想有平臺(tái)依賴。需要解決這個(gè)問題。

編輯：黃飛

?