852
AI大模型的熱潮不斷，預(yù)計未來十年，AGI時代即將到來。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，我們能不能針對這些問題進行優(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)量級提升的、單位算力成本非常低廉的、新的AI處理器類型？
1 首先，分析場景的特點，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，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，面向具體場景，比如人臉識別、車牌識別，各種物品識別等。綜合來看，算法有上千種，加上算法自身仍在快速演進，加上各種變種的算法甚至超過數(shù)萬種。
用戶的業(yè)務(wù)場景是綜合性的，把業(yè)務(wù)場景比做一桌宴席，AI芯片就是主打的那道主菜。對AI芯片公司來說，自己只擅長做這一道菜，并不擅長做其他的菜品，更不擅長幫助用戶搭配一桌美味可口、葷素均衡、營養(yǎng)均衡的宴席。
1.2 另一方面，GPU也存在問題
性能效率相對不高，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)級增加；另一方面，AI類的計算任務(wù)，不同節(jié)點間的數(shù)據(jù)交互本身就非常巨大。因此，受阿姆達爾定律影響，I/O的帶寬和延遲，會約束集群規(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臺左右。
還有另外一個強約束，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)運營的成本。僅硬件開銷接近50億美金，即350億RMB。這對很多廠家來說，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“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：有的指令非常簡單，就是基本的加減乘除等標量計算；有的指令非常復雜，不是純粹的向量、矩陣或多維張量計算，而是各種維度計算再組合的一個混合的宏指令，或者說是一個算子甚至算法，就對應(yīng)到一條（單位計算）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場景。而GPU足夠靈活，但性能效率不夠，并且性能逐漸達到上限。
從目前大模型宏觀發(fā)展趨勢來看：
Transformer會是核心算法，在大模型上已經(jīng)顯露威力。未來模型的底層算法/算子會逐漸統(tǒng)一于Transformer或某個類Transformer的算法。從此趨勢分析可得：AI場景的業(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計算框架也走過了百家爭鳴的階段，目前可以看到的趨勢是，PyTorch占據(jù)了絕大部分份額。這說明整個生態(tài)也在逐漸收斂，整個系統(tǒng)的迭代也在放慢。
這兩個趨勢都說明了，未來，“專用”的AI芯片會逐漸地綻放光芒。當然了，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?！氨菺PU更高效，比AI芯片更通用”。
通用性體現(xiàn)在兩個方面：
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，覆蓋更多場景和更長的生命周期。
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；而是一個通用的強人工智能算法，一個通用的強處理器平臺，去強智能化的適配各種場景。
2 大核少核 or 小核眾核？
CPU是大核，但通常一個芯片里只有不到100個物理核心；而GPU是小核眾核的實現(xiàn)，目前通常在上萬個核左右；而傳統(tǒng)AI芯片，通常是大的定制核+相對少量核（100核以內(nèi)）的并行。
此外，一個很重要的現(xiàn)象是，GPU核，不再是之前只有CUDA核的標量處理器，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核的協(xié)處理器上，把單核的能力做更多的強化。
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GA采用通用高效能CPU核（例如定制的RISC-v CPU）+強大的Tensor協(xié)處理器的方式。
3 極致擴展性，多層次強化內(nèi)聯(lián)交互
要想實現(xiàn)極致擴展性，通常需要多個層次的資源切分和整合：
首先，單核心內(nèi)部?？梢灾С仲Y源的虛擬切分和整合（類似CPU的分時共享和虛擬化vCPU）實現(xiàn)從1-m個vGA核的自由擴展。
其次，單芯片內(nèi)部。可以從1-n個核的擴展資源切分和整合，也就是說vGA可以實現(xiàn)1-m*n個資源的擴展。
最后，眾多芯片構(gòu)成的計算集群。多個芯片可以組成一臺服務(wù)器、多個服務(wù)器組成一個機柜、多個機柜組成一個POD集群?？梢酝ㄟ^集群互聯(lián)實現(xiàn)1-k個芯片的擴展，也就是說，vGA實現(xiàn)1-m*n*k個資源的極致擴展。
此外，每個層次的數(shù)據(jù)交互都要求極高，內(nèi)部需要非常強勁的NOC總線，外部需要帶寬數(shù)量級提升的高性能網(wǎng)絡(luò)的支持。
4 AI芯片案例
4.1 Tenstorrent的案例
Tenstorrent的AI核稱為Tensix，第一代Tensix每個核有五個標量RISC CPU，單個計算引擎的性能為3 TOPS。
整個芯片代號為Wormhole，有80個Tensix核心，并且集成了ARC架構(gòu)的Host CPU。此外，Wormhole支持16個100Gbps的Ethernet網(wǎng)絡(luò)接口。
采用Wormhole芯片，Tenstorrent設(shè)計了nebula（星云）服務(wù)器，一個4U服務(wù)器包含32個Wormhole芯片。
一個機柜包含8臺nebula服務(wù)器，上圖為兩個機柜互聯(lián)的架構(gòu)示意圖。
當然，Scale out橫向擴展功能并不止于此，Wormhole在機架級連接方面是非常靈活的。理論上可以達到幾乎無限的擴展連接能力。
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級別的CPU核心，到筆記本電腦、邊緣和服務(wù)器以及HPC場景的高性能CPU核。
目前，Tenstorrent的AI芯片，已經(jīng)量產(chǎn)的有Grayskull和Wormhole，Black
Hole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Tenstorrent Wormhole進行分析，仍有不少待優(yōu)化的地方：
單個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。此外，內(nèi)部的各種緩存設(shè)計仍需要進一步優(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。支撐極致擴展性的網(wǎng)絡(luò)端口，對高性能網(wǎng)絡(luò)技術(shù)的要求非常之高，需要進一步加強。
軟硬件耦合設(shè)計。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”，實現(xiàn)更多的創(chuàng)新能力增強。
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?？蛻舨⒉幌氪蠓秶薷臉I(yè)務(wù)邏輯，更不想有平臺依賴。需要解決這個問題。
下載ECAD模型
