ChatGPT的火爆，直接引爆了大模型的繁榮，也使得NVIDIA GPU供不應求。

從發(fā)展的角度看，GPU并不是大模型最高效的計算平臺。

GPT等大模型為什么沒有突破萬億參數(shù)？核心原因在于在現(xiàn)在的GPU平臺上，性能和成本都達到了一個極限。想持續(xù)支撐萬億以上參數(shù)的更大的模型，需要讓性能數(shù)量級提升，以及單位算力成本數(shù)量級的下降。這必然需要全新架構(gòu)的AI計算平臺。

本文拋磚引玉，期待行業(yè)更多的探討。

01.綜述

大模型為什么“不約而同”的停留在上千億的參數(shù)規(guī)模，沒有突破萬億參數(shù)？原因主要在于，在目前的架構(gòu)體系下：

單個GPU性能增長（Scale up）有限，想要增加性能，只有通過增加計算集群規(guī)模（Scale out）的方式；

上萬GPU的計算集群，其東西向的流量交互指數(shù)級提升，受限于集群的網(wǎng)絡帶寬，約束了集群節(jié)點計算性能的發(fā)揮；

受阿姆達爾定律的約束，并行度無法無限擴展，增加集群規(guī)模的方式也到了瓶頸；

并且，如此大的集群規(guī)模，成本也變得不可承受。

總的來說，為了數(shù)量級的突破算力上限，需要從如下幾個方面入手：

首先，性能提升不單單是單個芯片的事情，而是一個系統(tǒng)工程。因此，需要從芯片軟硬件到整機再到數(shù)據(jù)中心全體系進行協(xié)同優(yōu)化。

其次，擴大集群規(guī)模，也即大家熟知的Scale Out。要想Scale out，就需要增強集群的內(nèi)聯(lián)交互，也就是要更高的帶寬，更高效的高性能網(wǎng)絡。同時，還需要降低單個計算節(jié)點的成本。

最后，最本質(zhì)的，Scale Up，增加單個節(jié)點的性能。這個是最本質(zhì)的能夠提升算力的方法。在功耗、工藝、成本等因素的約束下，要想提升性能，只能從軟硬件架構(gòu)和微架構(gòu)實現(xiàn)方面去挖潛。

02.全體系協(xié)同優(yōu)化

算力，不僅僅是微觀芯片性能的事情，而是宏觀上復雜而龐大的系統(tǒng)工程。整個體系中，從工藝到軟件，從芯片到數(shù)據(jù)中心，整個算力體系中的各個領域的發(fā)展都已經(jīng)達到一個相對穩(wěn)定而成熟的階段。而AI大模型的發(fā)展，仍然需要算力大踏步的提升，這不僅僅需要各領域按部就班的持續(xù)優(yōu)化，更需要各個領域間的跨域協(xié)同優(yōu)化創(chuàng)新：

半導體工藝和封裝：更先進的工藝、3D集成，以及Chiplet封裝等。

芯片實現(xiàn)（微架構(gòu)）：通過一些創(chuàng)新的設計實現(xiàn)，如存算一體、DSA架構(gòu)設計以及各類新型存儲等。

系統(tǒng)架構(gòu)：比如開放精簡的RISC-v，異構(gòu)計算逐漸走向超異構(gòu)計算，以及駕馭復雜計算的軟硬件融合等。

系統(tǒng)軟件、框架、庫：基礎的如OS、Hypervisor、容器，以及需要持續(xù)優(yōu)化和開源開放的各類計算框架和庫等。

業(yè)務應用（算法）：業(yè)務場景算法優(yōu)化、算法的并行性優(yōu)化等；以及系統(tǒng)的靈活性和可編程性設計；系統(tǒng)的控制和管理、系統(tǒng)的擴展性等。

硬件，包括服務器、交換機等：多個功能芯片的板卡集成，定制板卡和服務器，服務器電源和散熱優(yōu)化；

數(shù)據(jù)中心基礎設施：如綠色數(shù)據(jù)中心，液冷、PUE優(yōu)化等；

數(shù)據(jù)中心運營和管理：如超大規(guī)模數(shù)據(jù)中心運營管理，跨數(shù)據(jù)中心運營和管理調(diào)度等。

03.Scale out：增加集群規(guī)模

N個節(jié)點通過連線兩兩相連，總共的連線數(shù)據(jù)需要N*(N-1)/2。據(jù)此公式，集群如果只有一個節(jié)點，那就沒有東西向的內(nèi)部流量；隨著集群中節(jié)點數(shù)量的增多，內(nèi)部交互數(shù)量會飛速的增長，隨之而來的，也就是集群內(nèi)部的交互流量猛增。 據(jù)統(tǒng)計，目前在大型數(shù)據(jù)中心中的東西向網(wǎng)絡流量占比超過85%；AI大模型訓練集群，其節(jié)點數(shù)量基本上超過1000，其東西向流量估計超過90%。理論上，在各個連接流量均等的情況下，目前主流網(wǎng)卡200Gbps的帶寬，即使所有都是東西向流量，每兩個節(jié)點之間的流量也僅僅只能有200/1000 = 0.2 Gbps。一方面，南北向的流量被極限壓縮，單個連接的東西向流量又隨著集群數(shù)量的增長反而持續(xù)下降，這進一步凸顯了網(wǎng)絡帶寬瓶頸的問題。 與此同時，受阿姆達爾定律的影響，整體算力并不是跟節(jié)點數(shù)量呈理想的線性關(guān)系，而是隨著集群規(guī)模的增加，整體算力的增加會逐漸趨緩。 要想通過Scale Out方式提升集群的算力：

首先就是要快速的提升網(wǎng)絡帶寬。

其次，要有更優(yōu)的高性能網(wǎng)絡支持。通過高性能網(wǎng)絡功能優(yōu)化，如在擁塞控制、多路徑負載均衡ECMP、亂序交付、高可擴展性、故障快速恢復、Incast優(yōu)化等方面進行調(diào)優(yōu)，實現(xiàn)更優(yōu)的高性能網(wǎng)絡能力。

再次，AI計算數(shù)據(jù)到網(wǎng)絡的更快速的路徑。傳統(tǒng)架構(gòu)，GPU作為加速卡掛載CPU外面，從GPU到網(wǎng)絡的數(shù)據(jù)傳輸路徑非常長，并且CPU要參與傳輸?shù)目刂??？梢酝ㄟ^例如GPU集成RoCE高性能網(wǎng)卡的方式，繞過CPU、DPU/NIC直接把數(shù)據(jù)傳輸出去。

最后，是要從算法和軟件處層次，提升并行度，并盡可能的降低并行程序之間的耦合度。

04.Scale Up：增加單芯片性能東西向流量本質(zhì)上屬于內(nèi)部“損耗”，通過Scale Out的方式提升性能對網(wǎng)絡的壓力巨大，并且有性能上限，屬于“治標不治本”的方式。 要想真正的大規(guī)模的提升算力，最本質(zhì)最有效的辦法，還是要通過提升單個計算節(jié)點、單個計算芯片性能的方式。 要想提升單芯片性能：

首先，是提升芯片規(guī)模。通過工藝進步、3D和Chiplet封裝，提升單個芯片的設計規(guī)模。目前，主流的大芯片晶體管數(shù)量在500億。Intel計劃到2030年，會將單芯片晶體管數(shù)量提高到1萬億（提升20倍）。

第二，提升單位晶體管資源的性能效率。6個主要的處理器類型：CPU、協(xié)處理器、GPU、FPGA、DSA和ASIC，CPU最通用，但性能效率最低，而ASIC最專用，性能效率最高。在計算處理器方面，要盡可能選擇ASIC或接近ASIC的計算引擎，盡可能的提升此類處理器在整個系統(tǒng)中的計算量占比。

第三，提升通用靈活性。性能和靈活性是一對矛盾，為什么不能在一個芯片里，完全100%的采用ASIC級別的計算引擎？原因在于，純粹的ASIC沒有意義。芯片需要得到大范圍的使用，才能攤薄研發(fā)成本。這就需要考慮芯片的通用靈活性。

目前，受AI等各類大算力場景的驅(qū)動，異構(gòu)計算已經(jīng)成為計算架構(gòu)的主流。未來，隨著大模型等更高算力需求場景的進一步發(fā)展，計算架構(gòu)需要從異構(gòu)計算進一步走向超異構(gòu)計算：

第一階段，單CPU的串行計算；

第二階段，多CPU的同構(gòu)并行計算；

第三階段，CPU+GPU的異構(gòu)并行計算；

第四階段，CPU+DSA的異構(gòu)并行計算；

第五階段，多種異構(gòu)融合的超異構(gòu)并行計算。

05.大算力芯片的通用性分析到目前為止，谷歌TPU都難言成功：雖然TPU可以做到，從芯片到框架，甚至到AI應用，谷歌可以做到全棧優(yōu)化，但TPU仍然無法做到更大規(guī)模的落地，并且拖累了上層AI業(yè)務的發(fā)展。原因其實很簡單：

當上層的業(yè)務邏輯和算法一直處于快速迭代的時候，是很難把它固化成電路來進行加速的。

雖然谷歌發(fā)明了Transformer，但受限于其底層芯片TPU，使得上層業(yè)務需要考慮跟底層芯片的兼容，無法全身心投入到模型開發(fā)；

AI模型的發(fā)展，目前仍在“煉丹”的發(fā)展階段，誰能快速試錯快速迭代，誰就最有可能成功。

也因此，在AI大模型的發(fā)展進程中，谷歌落后了。而OpenAI沒有包袱，可以選擇最優(yōu)的計算平臺（通用的GPU+CUDA平臺），全身心專注到自己模型的研發(fā)，率先實現(xiàn)了ChatGPT及GPT4這樣的高質(zhì)量AI大模型，從而引領了AGI的大爆發(fā)時代。 結(jié)論：在目前AI算法快速演進的今天，通用性比性能重要。也因此，NVIDIA GPU通過在GPU中集成CUDA core和Tensor Core，既兼顧了通用性，又兼顧了靈活性，成為目前最佳的AI計算平臺。06.相關(guān)趨勢案例

6.1 Intel Hawana GAUDI

Gaudi是一個典型的Tensor加速器。從第一代Gaudi的16nm工藝提升到第二代的7nm工藝，Gaudi2將訓練和推理性能提升到一個全新的水平。它將AI定制Tensor處理器核心的數(shù)量從8個增加到24個，增加了對FP8的支持，并集成了一個媒體處理引擎，用于處理壓縮媒體，以卸載主機子系統(tǒng)。Gaudi2的封裝內(nèi)存在每秒2.45 Tbps的帶寬下增加了三倍，達到96GB的HBM2e。

Gaudi可以通過24個100Gbps的RDMA高性能網(wǎng)卡實現(xiàn)非常高的集群擴展能力。實際的集群架構(gòu)設計，可以根據(jù)具體的需求靈活設計。 相比傳統(tǒng)的GPU、TPU等加速器，Gaudi的最大亮點在于集成了超高帶寬的高性能網(wǎng)絡。從而提升了集群節(jié)點間的東西向流量交互效率，也使得更大規(guī)模的集群設計成為可能。

6.2 Graphcore IPU

上圖為Graphcore的IPU處理器，IPU處理器具有1216個Tile(每個Tile包含一個Core和它的本地內(nèi)存)，交換結(jié)構(gòu)(一個片內(nèi)互連)，IPU鏈路接口用于連接到其他IPU，PCIe接口用于與主機連接。 Graphcore在架構(gòu)上是類似NVIDIA GPU的產(chǎn)品，是相對通用的計算架構(gòu)，比較符合AI計算的要求。但受限于沒有類似Tensor core這樣的協(xié)處理優(yōu)化，在性能上存在劣勢；以及還沒有形成類似NVIDIA CUDA這樣強大的開發(fā)框架和豐富生態(tài)。

6.3 Tesla DOJO

Tesla Dojo芯片和相應的整個集群系統(tǒng)，跟傳統(tǒng)的設計理念有很大的不同。其基于整個POD級的超強的擴展性和全系統(tǒng)棧協(xié)同設計能力。Dojo系統(tǒng)的每個Node都是完全對稱的，是一個POD級完全UMA的架構(gòu)?；蛘哒f，Dojo的擴展性，跨過了芯片、Tile、Cabinet，達到了POD級別。 DOJO是Tesla專用于數(shù)據(jù)中心AI訓練的芯片、集群和解決方案。DOJO的可擴展性能力，使得AI工程師可以專注在模型開發(fā)和訓練本身，而較少考慮模型的分割和交互等跟硬件特性相關(guān)的細節(jié)。 DOJO也是比較通用的計算架構(gòu)：內(nèi)核是一個CPU+AI協(xié)處理器的做法，然后多核心組成芯片，芯片再組織成POD。宏觀上，跟NVIDIA GPU的整體思路接近。

6.4 Tenstorrent Grayskull & Wormhole

Tesla Dojo和Tenstorrent的AI系列芯片都是Jim Keller主導的項目，架構(gòu)設計理念有很多相似之處。

基本架構(gòu)單元是Tensix核心，它圍繞一個大型計算引擎構(gòu)建，該引擎從單個密集數(shù)學單元承擔3 TOPS計算的絕大部分。

Tenstorrent的Grayskull加速器芯片實現(xiàn)了一個由Tensix內(nèi)核組成12x10陣列，峰值性能為368 INT8 TOPS。

Tenstorrent的第一代芯片代號是Grayskull，第二代芯片代號是Wormhole，兩者宏觀架構(gòu)接近。使用Wormhole模塊，Tenstorrent設計了nebula（星云），一個4U服務器包含32個Wormhole芯片。

這是一個完整的48U的機架，它像一個2D網(wǎng)格一樣，每個Wormhole服務器連接在另一個服務器的對等端，就像一個大而均勻的Mesh網(wǎng)絡。 Tenstorrent通過這種多網(wǎng)絡連接的方式，實現(xiàn)了集群的極致擴展性。其整體思路和Tesla DOJO類似。

審核編輯 ：李倩