何為異構芯片 協同異構AI芯片的挑戰

進入大模型時代，全社會算力需求被推高到了前所未有的程度。

由于大模型AI對于全社會的重要性，以及各行各業加快建設智算中心，也引發了全社會學習異構AI芯片的熱潮。

異構AI芯片出現的現象

2024年1月，微軟聯合創始人比爾·蓋茨與OpenAI首席執行官山姆·奧特曼進行了一次對話，奧特曼在對話中表示人工智能將引發人類歷史上“最快”的一次技術革命，人類可能還沒有準備好以多快的速度適應這種變革。

奧特曼預計，這項技術將迅速發展，使系統的計算能力達到GPT-4的10萬倍或100萬倍。

簡單來說，用于人工智能計算的英偉達GPU芯片遠遠不夠用了。

而為應對GPU全球供應短缺問題，以及美國對GPU的出口限制問題，當然更重要的是在AI場景下降低成本，于是市場上涌現了各類異構AI芯片。

何為異構芯片

異構芯片即結合兩種或多種不同類型的處理器或控制器架構的芯片。

異構芯片可以是CPU+FPGA，CPU+GPU也可以是CPU+AI，也可以是CPU+動態可重構等不同架構，這些架構都是利用一種架構的優勢來彌補另外一種架構的不足，以適應用戶多種用途的應用需求。

Intel的CPU+Altera的FPGA或者AMD的Instinct MI300和英偉達的Grace Hopper超級芯片也是采用“CPU+GPU”的異構形式。

CPU+GPU架構的優勢

CPU和GPU協同工作時，CPU包含幾個專為串行處理而優化的核心，GPU則由數以千計更小、更節能的核心組成，這些核心專為提供強勁的并行運算性能而設計。

程序的串行部分在CPU上運行，而并行部分則在GPU上運行。

GPU目前已經發展到成熟階段，可輕松執行現實生活中的各種應用程序，而且程序運行速度已遠遠超過使用多核系統時的情形。

因此，CPU和GPU的結合剛好可以解決深度學習模型訓練在CPU上耗時長的問題，提升深度學習模型的訓練效率。

CPU與GPU的應用場景也不斷拓寬

隨著CPU與GPU的結合，其相較于單獨CPU與GPU的應用場景也不斷拓寬。

CPU+GPU架構適用于處理高性能計算。伴隨著高性能計算類應用的發展，驅動算力需求不斷攀升，但目前單一計算類型和架構的處理器已經無法處理更復雜、更多樣的數據。

數據中心如何在增強算力和性能的同時，具備應對多類型任務的處理能力，成為全球性的技術難題。

CPU+GPU的異構并行計算架構作為高性能計算的一種主流解決方案，受到廣泛關注。

CPU+GPU架構適用于處理數據中心產生的海量數據。數據爆炸時代來臨，使用單一架構來處理數據的時代已經過去。

比如：個人互聯網用戶每天產生約1GB數據，智能汽車每天約50GB，智能醫院每天約3TB數據，智慧城市每天約50PB數據。

數據的數量和多樣性以及數據處理的地點、時間和方式也在迅速變化。無論工作任務是在邊緣還是在云中，不管是人工智能工作任務還是存儲工作任務，都需要有正確的架構和軟件來充分利用這些特點。

CPU+GPU架構可以共享內存空間，消除冗余內存副本來改善問題。

在此前的技術中，雖然GPU和CPU已整合到同一個芯片上，但是芯片在運算時要定位內存的位置仍然得經過繁雜的步驟，這是因為CPU和GPU的內存池仍然是獨立運作。

為了解決兩者內存池獨立的運算問題，當CPU程式需要在GPU上進行部分運算時，CPU都必須從CPU的內存上復制所有的資料到GPU的內存上，而當GPU上的運算完成時，這些資料還得再復制回到CPU內存上。

然而，將CPU與GPU放入同一架構，就能夠消除冗余內存副本來改善問題，處理器不再需要將數據復制到自己的專用內存池來訪問/更改該數據。

統一內存池還意味著不需要第二個內存芯片池，即連接到CPU的DRAM。

因此，通過CPU+GPU異構并行計算架構組成的服務器，正成為服務器市場中的一匹黑馬?，F在已有多家芯片廠商開始跟進。

協同異構AI芯片的挑戰

在實際建設智算中心的時候，到底在GPU、FPGA、DSA和ASIC之間選擇哪種算力和算力組合，這是一個很大的問題。

GPU雖然能夠應對大模型計算需求，但一卡難求以及限制性能等問題嚴重；

DSA靈活性有限，硬件和軟件架構呈現碎片化；

FPGA的功耗和成本較高，主要用于原型驗證，難以在實際場景中大規模落地；

ASIC功能固化，缺乏足夠的靈活性，而且ASIC芯片的研發周期長、成本高和風險大等，都為大規模和長期采用帶來了挑戰。

另外，多異構計算的硬件層次高集成度和系統軟件層次多協同、通用編程模型和開發環境等，都是行業需要解決的問題，多異構共存的異構計算孤島現象越來越突顯。

特別是不同的異構計算編程框架，要求開發者掌握多種編程模式和語言，使得代碼移植面臨巨大挑戰。

尋找一個真正統一、能滿足所有硬件和應用需求的編程方法，仍是當下計算領域的熱門研究課題。

結尾：可發展產業機遇

大模型AI的出現，為重構數據中心帶來了機遇。由于大模型AI天然帶來海量的數據中心內部通信而不是對外通信，在將數據中心重構為智算中心的時候，就帶來了“一個數據中心即為一臺計算機”的設計理念，這就是以系統設計為中心的原則。

以系統設計為中心，即考慮一個數據中心上承載大模型訓練等邏輯上單一的“大應用”，也就是數據中心級的業務系統。

因此在智算中心的設計上要超越硬件和軟件的傳統界限，將整個數據中心作為一個協同工作的系統。

有了以數據中心為一臺計算機的設計理念和角度，就能找到有效的軟硬件協同的異構融合計算之路。

內容及圖片來源于：晶上聯盟

審核編輯：劉清