AIGC及其背后的大模型，是不折不扣的“能耗巨獸”。在部署大模型的過程中，AI工作負載帶來的功耗和成本挑戰(zhàn)，已然成為產業(yè)鏈的“阿喀琉斯之踵”。近期，螞蟻集團聯(lián)合多所高校發(fā)布的《圍繞綠色計算發(fā)展機遇的一項調查》(以下簡稱“調查”)指出，綠色措施、節(jié)能人工智能、節(jié)能計算系統(tǒng)和可持續(xù)發(fā)展的人工智能用是構建綠色計算的四個關鍵，強調了人工智能的節(jié)能降耗對于計算產業(yè)的意義。與此同時，恩智浦、英特爾、英偉達等半導體企業(yè)也在積極應對大模型帶來的能耗挑戰(zhàn)，從架構創(chuàng)新、軟硬件協(xié)同方案、網絡平臺等多個層面，為大模型部署提質降耗。

為“大腦”分擔任務 半導體廠商的架構創(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)需要通過利用架構設計、制造工藝、先進封裝等多個層級協(xié)同的設計手段來滿足大模型的計算需求。例如，通過采用異構計算、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，也成為半導體企業(yè)技術研發(fā)中不可忽視的重要內容。

“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、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)據中心建設等多環(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，架構創(chuàng)新素來被視為實現(xiàn)芯片技術突破的發(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，比如控制心跳和體溫，保持身體的穩(wěn)定性、協(xié)調性等。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；以網關處理器為“小腦”，實現(xiàn)不同功能區(qū)的互聯(lián)和集成，以及異構網絡中的數(shù)據處理；以MCU、感知芯片、聯(lián)網芯片作為“腦干”，實現(xiàn)感知和實時任務處理。

“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)有的技術架構不夠高效。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?！盠ars Reger向《中國電子報》記者表示。

據悉，恩智浦已經將這套計算理念集成到了智能駕駛的技術架構中，架構中“小腦”和“腦干”部分由恩智浦的技術來保障的。S32G作為網關處理器，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連接產品，共同構成“腦干”，以應對能耗對續(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納米級旗艦產品，能夠把數(shù)據從車輛傳輸?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，大模型的調優(yōu)方式，正在從完全微調走向更加簡捷、低功耗的微調方式。螞蟻集團聯(lián)合多所高校發(fā)布的《圍繞綠色計算發(fā)展機遇的一項調查》提到，傳統(tǒng)的調優(yōu)方式會微調所有模型參數(shù)，使通用大型語言模型適應特定的目標任務，這一過程稱為完全微調。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，更加簡捷的微調方法已成為大模型的研究熱點。比如PEFT（高效參數(shù)微調）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，以降低微調所需的計算和存儲資源；基于提示的微調則訓練大模型根據特定提示或指令生成響應，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，基于提示的微調能節(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等最新微調方式，英特爾基于AI加速引擎和配套的軟件工具，進一步減少了微調所需的工作量。第四代英特爾至強可擴展處理器中內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計算速度。

英特爾院士、大數(shù)據技術全球CTO戴金權向《中國電子報》記者表示，解題大模型功耗和成本壓力的關鍵，是根據不同大模型的最新 技術需求，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架構和開放的AI軟件架構及優(yōu)化，為預訓練、微調、推理等不同的AI和大模型應用，提供高效的開發(fā)部署平臺?！贝鹘饳喔嬖V記者。據他介紹，英特爾在硬件架構方面，正在基于Gaudi AI加速器，數(shù)據中心Max GPU，內置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異構計算支持。在軟件架構層面，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)能的基礎設施

數(shù)據中心是AIGC和大模型主要的基礎設施之一，也是節(jié)能技術的重點發(fā)力領域。隨著全球的熱點IT應用地區(qū)都在強調綠色數(shù)據中心，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)據中心芯片供應商的必答題。

圍繞數(shù)據中心的減碳需求，AMD宣布了到2025年為人工智能訓練和高性能計算應用程序帶來30倍能效提升的目標。據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，另一方面需要架構的改進和技術的創(chuàng)新來提高算力。比如基于一顆第三代AMD EPYC服務器處理器和四個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)據處理、機器學習和 AI 等領域布局了300 個加速庫和400 個 AI 模型。

除了提升計算單元的能效，計算單元構成的AI集群，也對數(shù)據中心的整體功耗有著重要影響。在計算單元互聯(lián)以構建AI集群，以及集群、設備互聯(lián)構建AI計算網絡的過程中，會產生大量網絡數(shù)據。若采用傳統(tǒng)的以太網架構，會導致數(shù)據流的擁塞和延遲，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。

在網絡平臺層面，英偉達推出專門面向AI負載的以太網架構Spectrum-X。該架構基于內置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)據傳輸效率。在對GPT-3的訓練中，NVIDIA Spectrum-X 網絡平臺相比傳統(tǒng)以太網網絡架構，實現(xiàn)了的 1.7 倍的加速效果。尤其針對數(shù)據中心常用的功率封頂措施，Spectrum-4 ASIC能夠簡化網絡設計，提高了每瓦的性能，幫助數(shù)據中心控制網絡功率預算。

從計算架構的革新，軟硬件方案的更新，到基礎設施算力和互聯(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，為基礎軟硬件的各個節(jié)點帶來新的市場機會。

責任編輯：趙強