首頁 > 企業(yè)IT頻道 > 人工智能

彎道超車？看IPU如何重塑AI芯片格局

2021年01月07日 16:56:09 來源：中文科技資訊

　　Zeng, Oscar

　　在過去的一年里，許多行業(yè)受疫情沖擊發(fā)展陷入停滯，人工智能應用卻實現(xiàn)了逆勢突破。在世界人工智能大會WAIC2020上，李蘭娟院士表示，AI在疫情防控中，發(fā)揮了重要作用。

　　此外，AI在無人駕駛汽車等前沿領域也持續(xù)發(fā)力;在AI頂層設計方面，國家也不遺余力積極制定相關標準，出臺了《國家新一代人工智能標準體系建設指南》，為人工智能的規(guī)范發(fā)展掃平障礙。

　　AI高速發(fā)展的背后，離不開“燃料”算力的助推。算力作為AI 2.0的四大要素之一，為人工智能提供計算能力的支撐。

　　需求倒逼創(chuàng)新

　　AI芯片行業(yè)將迎變革

　　在過去的幾十年里，基于摩爾定律，芯片行業(yè)的發(fā)展一直推動著芯片制程和性能的穩(wěn)步提升，算力需求的增長也促進了人工智能工作負載中大量采用專用的AI加速器(GPU、FPGA、ASIC、xPU等)。

　　與傳統(tǒng)的CPU架構相比，這些加速器能夠執(zhí)行更快的AI作業(yè)和并行計算。它們?yōu)橛行?zhí)行控制ML/DL工作負載提供了專門的支持。

　　現(xiàn)在市場上已經有各類 AI加速器：GPU、FPGA、ASIC等等，各種各樣的計算平臺被運用到AI計算中。之所以會出現(xiàn)這么多各種形式的 AI 芯片，正是因為算法的多元化，例如機器學習算法有 LR、GBDT，深度學習中的 CNN、DNN 等，這些算法都非常復雜，如果機器要很快地讓這些算法“跑”起來，一定需要算法的邏輯跟芯片計算的邏輯相互匹配。

　　據(jù)OpenAI組織發(fā)布的一份分析報告顯示，自2012年以來，在人工智能訓練中所使用的計算量呈指數(shù)級增長，3.5個月的時間計算量就翻了一倍(相比之下，摩爾定律有18個月的倍增周期)。自2012年以來，該指標增長了30多萬倍。按照這個趨勢，想要滿足未來AI發(fā)展的需求，芯片行業(yè)勢必要有所變革。

　　Graphcore IPU：專為人工智能而生

　　一種全新的完全可編程處理器

　　Graphcore是一家創(chuàng)辦于2016年的人工智能芯片設計初創(chuàng)公司，總部位于英國，以“專注于新型 AI 處理器架構，專門適用于算力密集型的機器學習任務”，入選2020年度《麻省理工科技評論》“50家聰明公司”榜單。該公司開發(fā)了一款被稱為IPU智能處理單元(intelligence processing unit)的新型AI加速器。

　　Graphcore IPU是專門為AI/Machine Learning設計的處理器，擁有完全不同于前面幾類處理器類型的全新架構，能夠提供強大的并行處理能力。Graphcore IPU區(qū)別于其他處理器的一個重要因素還在于，它實現(xiàn)了快速訓練模型和實時操控，這使得它能夠在自然語言處理以及理解自動駕駛方面取得重大進展。

　　Graphcore 的IPU特點可概括為：

　　同時支持 Training 和 Inference;

　　采用同構多核(many-core)架構，超過1000個獨立的處理器;

　　支持 all-to-all的核間通信，采用Bulk Synchronous Parallel的同步計算模型;

　　采用大量片上SRAM，不需要外部DRAM。

　　據(jù)介紹，IPU處理器是迄今為止最復雜的處理器芯片，它在一個16納米芯片上有幾乎240億個晶體管，每個芯片提供125 teraFLOPS運算能力。一個標準4U機箱中可以插入8張卡，卡間通過IPU-Link互連。8張卡上的IPU可以看做一個處理器工作，提供 1.6PetaFLOPS的運算能力。

　　與GPU爭鋒？

　　IPU：沒在怕的

　　英偉達公司率先于1999年提出GPU的概念，GPU使顯卡減少了對CPU的依賴，然而隨著模型越來越大，參數(shù)越來越多，面對高精度高吞吐量的需求，算力優(yōu)勢顯著的IPU也許更能代表AI芯片的發(fā)展方向。

　　Graphcore IPU在現(xiàn)有以及下一代模型上的性能均優(yōu)于GPU，在自然語言處理方面的速度能比GPU快25%到50%;在圖像分類方面，吞吐量7倍于GPU，而且時延更低。

　　Natural Language Processing-BERT

　　BERT (Bidirectional Encoder Representations from Transformers)是目前使用的最著名的NLP模型之一。IPU加速了BERT的訓練和推理，在極低延遲的情況下， IPU能夠進行實現(xiàn)2倍于目前解決方案的吞吐量，同時延遲性能比當前的解決方案提升1.3倍。

　　計算機視覺：EfficientNet & ResNeXt模型

　　由于IPU架構的特定特性，它非常擅長于分組卷積的模型。在計算機視覺模型如efficient entnet和ResNeXt中顯著提升了訓練和推理的性能。

　　在EfficientNet推理(左圖)和訓練(右圖)模型測試中，IPU在比GPU延遲低14倍的情況下實現(xiàn)了15倍的高吞吐量的優(yōu)勢，推理模型種子能夠實現(xiàn)7倍于目前GPU解決方案的吞吐量。

　　如下圖所示，ResNeXt-101: Inference(左圖) 和 ResNeXt-50 Training(右圖)與GPU相比，Graphcore C2 IPU處理器在延遲低24倍的情況下實現(xiàn)了7倍的高吞吐量。

　　好馬配好鞍——IPU全軟件棧和框架支持

　　Graphcore提供了Poplar SDK IPU軟件開發(fā)平臺，幫助用戶高效地構建人工智能應用，可為當今的領先模型提供開箱即用的先進性能。

　　Poplar SDK可與TensorFlow、Pytorch和ONNX等流行框架一起使用。它支持高階的機器智能圖描述，可編譯加載到IPU上優(yōu)化的Poplar圖和相關的控制程序。大規(guī)模的處理器內存意味著可以充分利用龐大的處理器內帶寬，可將整個模型加載到IPU上。

　　Poplar SDK支持一系列標準框架。通過TensorFlow，Poplar SDK可直接接受XLA圖，并將XLA編譯輸出為Poplar圖和控制程序。

　　Graphcore還為ONNX提供了訓練運行時(runtime)，并且正與ONNX各組織緊密合作，以將其納入ONNX標準環(huán)境中。

　　DSS 8440服務器：業(yè)界首款采用Graphcore技術的機器學習服務器

　　作為Graphcore的合作伙伴，戴爾科技希望能為用戶提供更強大的算力支持，將業(yè)內領先的創(chuàng)新研發(fā)成果融入機器學習硬件產品，推出了業(yè)界首款搭載Graphcore IPU的戴爾易安信DSS 8440服務器。它屬于兩處理器插槽的4U服務器，旨在為人工智能應用提供卓越的性能。

　　支持8個Graphcore C2卡(雙IPU)，可提供高達1.6Peta FLOP的混合精度機器智能計算能力。

　　采用了多功能平衡加速器，可以搭載4個、8個或10個NVIDIA Tesla V100 GPUs以及更高達16塊T4 GPUs，用戶可以根據(jù)需要和最佳配置，有效地分配機器學習資源。

　　擁有高速輸入/輸出性能，利用IPU-Link的“階梯式”拓撲，在兩個IPU C2卡之間的總體雙向帶寬為256GB/s。此配置保障了多塊IPU卡之間高速共享模型參數(shù)或數(shù)據(jù)，為科學和工程環(huán)境中的建模、模擬和預測分析等計算密集型工作負載提供更優(yōu)性能。

　　對于分布式訓練應用，戴爾易安信DSS 8440服務器還提供多個100Gbps網絡鏈接，以實現(xiàn)服務器到服務器的可擴展性。

　　搭載了Graphcore IPU的戴爾易安信DSS 8440服務器，是人工智能訓練和推理應用的理想之選。用戶利用DSS 8440中大量的低延遲本地存儲和強大的吞吐能力，可從海量的數(shù)據(jù)源中獲得更快的結果。