芯片行業(yè)正在朝著特定領(lǐng)域的計(jì)算發(fā)展，而人工智能（AI）則朝著相反的方向發(fā)展，這種差距可能會(huì)迫使未來芯片和系統(tǒng)架構(gòu)發(fā)生重大變化。

這種分裂的背后是設(shè)計(jì)硬件和軟件所需的時(shí)間。自ChatGPT在全球推出以來的 18 個(gè)月里，大量軟件初創(chuàng)公司紛紛探索新架構(gòu)和技術(shù)。考慮到映射到它們身上的任務(wù)變化速度之快，這種趨勢(shì)可能會(huì)持續(xù)下去。但生產(chǎn)一塊定制芯片通常需要超過 18 個(gè)月的時(shí)間。

在標(biāo)準(zhǔn)的世界中，軟件不會(huì)隨著時(shí)間的推移而發(fā)生太大變化，定制硬件以滿足應(yīng)用程序或工作負(fù)載的確切需求是值得的，僅此而已。這是RISC-V背后的主要驅(qū)動(dòng)因素之一，其中處理器ISA可以專門為給定任務(wù)設(shè)計(jì)。但是，隨著 AI 的多種變化，硬件在投入批量生產(chǎn)時(shí)可能已經(jīng)過時(shí)了。因此，除非規(guī)范不斷更新，否則專門針對(duì)應(yīng)用程序優(yōu)化的硬件不太可能足夠快地進(jìn)入市場(chǎng)以供使用。

因此，特定領(lǐng)域 AI 芯片首次運(yùn)行失敗的風(fēng)險(xiǎn)會(huì)增加。在修復(fù)該問題的同時(shí)，生成式 AI 將繼續(xù)發(fā)展。

但這并不意味著定制硅片的末日。數(shù)據(jù)中心正在部署越來越多的處理架構(gòu)，其中每一種架構(gòu)在特定任務(wù)上都比單個(gè)通用 CPU 更勝一籌。Quadric 首席營銷官 Steve Roddy 表示：“隨著數(shù)據(jù)中心 AI 工作負(fù)載的激增，隨著數(shù)據(jù)中心芯片和系統(tǒng)被迫適應(yīng)快速發(fā)展的形勢(shì)，即使是普通計(jì)算能力的最后一道堡壘也已崩潰 。”

但它確實(shí)指出了超高速、低功耗硅片與更多通用芯片或小芯片之間平衡的架構(gòu)。

“在人工智能領(lǐng)域，人們強(qiáng)烈要求將事物變得盡可能通用和可編程，因?yàn)闆]人知道下一個(gè) LLM 事物何時(shí)會(huì)出現(xiàn)，并徹底改變他們做事的方式，”Blue Cheetah 首席執(zhí)行官 Elad Alon 說道。“你越是陷入困境，就越有可能錯(cuò)過潮流。與此同時(shí)，很明顯，幾乎不可能滿足使用完全通用系統(tǒng)所需的計(jì)算能力，因此也幾乎不可能滿足功率和能源要求。人們強(qiáng)烈要求定制硬件，使其在當(dāng)今已知的特定事物上更加高效?！?/p>

挑戰(zhàn)在于如何高效地將軟件映射到這種異構(gòu)處理器陣列上，而目前業(yè)界尚未完全掌握這一技術(shù)。共存的處理器架構(gòu)越多，映射問題就越困難?！艾F(xiàn)代芯片中有一個(gè) GPU、一個(gè)神經(jīng)處理單元，還有核心處理，”Arteris 解決方案和業(yè)務(wù)開發(fā)副總裁 Frank Schirrmeister 在接受采訪時(shí)表示（他目前擔(dān)任 Synopsys 戰(zhàn)略項(xiàng)目和系統(tǒng)解決方案執(zhí)行董事）?！澳阒辽儆腥齻€(gè)計(jì)算選項(xiàng)，你必須決定將東西放在何處，并設(shè)置適當(dāng)?shù)某橄髮?。我們過去稱之為軟件協(xié)同設(shè)計(jì)。當(dāng)你將算法或算法的一部分移植到NPU或 GPU 中時(shí)，你會(huì)重新調(diào)整軟件，將更多的軟件執(zhí)行轉(zhuǎn)移到更高效的實(shí)現(xiàn)中。計(jì)算中仍有一個(gè)通用組件支持不同的元素?！?/p>

追逐領(lǐng)先者

AI 的出現(xiàn)得益于 GPU 的處理能力，圖形處理所需的功能與 AI 核心部分所需的功能非常接近。此外，創(chuàng)建了軟件工具鏈，使非圖形功能能夠映射到架構(gòu)上，這使得 NVIDIA GPU 成為最容易定位的處理器。

“當(dāng)有人成為市場(chǎng)領(lǐng)導(dǎo)者時(shí)，他們可能是市場(chǎng)上唯一的競(jìng)爭(zhēng)者，每個(gè)人都會(huì)試圖對(duì)其做出反應(yīng)，”Keysight 新機(jī)遇業(yè)務(wù)經(jīng)理 Chris Mueth 表示?！暗@并不意味著它是最優(yōu)架構(gòu)。我們可能暫時(shí)還不知道這一點(diǎn)。GPU 適用于某些應(yīng)用，例如執(zhí)行重復(fù)的數(shù)學(xué)運(yùn)算，在這方面很難被超越。如果你優(yōu)化軟件以與 GPU 配合使用，那么速度會(huì)非?？臁！?/p>

成為通用加速器領(lǐng)導(dǎo)者可能會(huì)帶來阻力。西門子 EDA高級(jí)綜合項(xiàng)目總監(jiān)Russell Klein說：“如果你要構(gòu)建通用加速器，你就需要考慮面向未來的問題。當(dāng) NVIDIA 坐下來構(gòu)建 TPU 時(shí)，他們必須確保 TPU 能夠滿足盡可能廣泛的市場(chǎng)，這意味著任何構(gòu)想新神經(jīng)網(wǎng)絡(luò)的人都需要能夠?qū)⑵浞湃脒@個(gè)加速器中并運(yùn)行它。如果你要為某個(gè)應(yīng)用程序構(gòu)建某個(gè)東西，則幾乎不需要考慮面向未來的問題。我可能希望構(gòu)建一點(diǎn)靈活性，這樣我才有能力解決問題。但如果只是將其固定為一種能夠非常好地執(zhí)行一項(xiàng)工作的特定實(shí)現(xiàn)，那么再過 18 個(gè)月就會(huì)有人想出一種全新的算法。好消息是我將領(lǐng)先于其他所有人，使用我的定制實(shí)現(xiàn)，直到他們能夠趕上他們自己的定制實(shí)現(xiàn)。我們利用現(xiàn)成的硬件能做的事情很有限?！?/p>

但特異性也可以分層構(gòu)建?！癐P 交付的一部分是硬件抽象層，它以標(biāo)準(zhǔn)化方式向軟件公開，”Schirrmeister 說。“如果沒有中間件，圖形核心就毫無用處。應(yīng)用程序特異性在抽象中向上移動(dòng)。如果你看看 CUDA，NVIDIA 核心本身的計(jì)算能力相當(dāng)通用。CUDA 是抽象層，然后在其上具有用于生物學(xué)的各種事物的庫。這很棒，因?yàn)閼?yīng)用程序特異性上升到更高的水平?！?/p>

這些抽象層在過去非常重要。Expedera 首席科學(xué)家兼聯(lián)合創(chuàng)始人 Sharad Chole 表示：“Arm 在應(yīng)用處理器之上整合了軟件生態(tài)系統(tǒng)。此后，異構(gòu)計(jì)算使每個(gè)人都可以在該軟件堆棧上構(gòu)建自己的附加組件。例如，高通的堆棧完全獨(dú)立于蘋果的堆棧。如果你將其延伸，就會(huì)有一個(gè)接口可用于獲得更好的性能或更好的功率分布。然后就有了協(xié)處理器的空間。這些協(xié)處理器將允許你進(jìn)行更多的差異化，而不僅僅是使用異構(gòu)計(jì)算進(jìn)行構(gòu)建，因?yàn)槟憧梢蕴砑踊騽h除它，或者你可以構(gòu)建一個(gè)更新的協(xié)處理器，而無需啟動(dòng)新的應(yīng)用程序流程，而這要昂貴得多?！?/p>

經(jīng)濟(jì)因素是一個(gè)重要因素?！敖邮?C++ 或其他高級(jí)語言的完全可編程設(shè)備以及功能特定的 GPU、GPNPU 和 DSP 的普及減少了新設(shè)計(jì)中對(duì)專用、固定功能且財(cái)務(wù)風(fēng)險(xiǎn)較高的硬件加速模塊的需求，”Quadric 的 Roddy 說道。

這既是技術(shù)問題，也是商業(yè)問題。Blue Cheetah 的 Alon 表示：“有人可能會(huì)說，我要做這個(gè)非常具體的目標(biāo)應(yīng)用，在這種情況下，我知道我將在 AI 或其他堆棧中做以下幾件事，然后你只需讓它們發(fā)揮作用?！薄叭绻@個(gè)市場(chǎng)足夠大，那么對(duì)一家公司來說，這可能是一個(gè)有趣的選擇。但對(duì)于 AI 加速器或 AI 芯片初創(chuàng)公司來說，這是一個(gè)更棘手的賭注。如果沒有足夠的市場(chǎng)來證明整個(gè)投資的合理性，那么你必須預(yù)測(cè)尚不存在的市場(chǎng)所需的能力。這實(shí)際上是你正在采取什么樣的商業(yè)模式和賭注的混合體，因此可以采取什么樣的技術(shù)策略來盡可能地優(yōu)化它?！?/p>

專用硬件的情況

硬件實(shí)現(xiàn)需要選擇。Expedera 的 Chole 說：“如果我們可以標(biāo)準(zhǔn)化神經(jīng)網(wǎng)絡(luò)并說這就是我們要做的全部，那么您仍然必須考慮參數(shù)的數(shù)量、必要的操作數(shù)量以及所需的延遲。但情況從來都不是這樣的，尤其是對(duì)于 AI 而言。從一開始，我們就從 224 x 224 的郵票圖像開始，然后轉(zhuǎn)向高清，現(xiàn)在我們要轉(zhuǎn)向 4k。LLM 也是一樣。我們從 300 兆位模型（例如 Bert）開始，現(xiàn)在我們要朝著數(shù)十億、數(shù)十億甚至數(shù)萬億的參數(shù)邁進(jìn)。最初我們只從語言翻譯模型（例如令牌預(yù)測(cè)模型）開始?，F(xiàn)在我們有了多模式模型，可以同時(shí)支持語言、視覺和音頻。工作量在不斷發(fā)展，這就是正在發(fā)生的追逐游戲。

現(xiàn)有架構(gòu)有許多方面值得質(zhì)疑。Mythic 首席執(zhí)行官兼聯(lián)合創(chuàng)始人 Dave Fick 表示：“設(shè)計(jì)一個(gè)好的系統(tǒng)的關(guān)鍵部分是找到系統(tǒng)性能的顯著瓶頸并找到加速它們的方法?！薄叭斯ぶ悄苁且豁?xiàng)令人興奮且影響深遠(yuǎn)的技術(shù)。然而，它需要每秒數(shù)萬億次操作的性能水平和標(biāo)準(zhǔn)緩存和 DRAM 架構(gòu)完全無法支持的內(nèi)存帶寬。這種實(shí)用性和挑戰(zhàn)性的結(jié)合使人工智能成為專用硬件單元的首選。”

通用設(shè)備數(shù)量不足以滿足需求，這可能是迫使行業(yè)開始采用更高效硬件解決方案的因素?！吧墒饺斯ぶ悄茴I(lǐng)域的進(jìn)展非常快，”Chole 說?！澳壳皼]有任何東西可以在成本和功率方面滿足硬件的要求。什么都沒有。甚至 GPU 的出貨量也不夠。有訂單，但出貨量不夠。這是每個(gè)人都看到的問題。沒有足夠的計(jì)算能力來真正支持生成式人工智能的工作負(fù)載?！?/p>

小芯片可能有助于緩解這個(gè)問題?！凹磳⒌絹淼男⌒酒[將加速數(shù)據(jù)中心的這種轉(zhuǎn)變，”Roddy 說。“隨著小芯片封裝取代單片集成電路，混合和匹配完全可編程 CPU、GPU、GPNPU（通用可編程 NPU）和其他處理引擎以完成特定任務(wù)的能力將首先影響數(shù)據(jù)中心，然后隨著小芯片封裝成本隨著產(chǎn)量的增加而不可避免地降低，慢慢輻射到更大批量、更成本敏感的市場(chǎng)?！?/p>

多個(gè)市場(chǎng)，多個(gè)權(quán)衡

雖然大多數(shù)注意力都集中在訓(xùn)練新模型的大型數(shù)據(jù)中心上，但最終的收益將歸于使用這些模型進(jìn)行推理的設(shè)備。這些設(shè)備無法承擔(dān)用于訓(xùn)練的巨額電力預(yù)算?！坝糜谟?xùn)練人工智能的硬件有點(diǎn)標(biāo)準(zhǔn)化，”Ansys產(chǎn)品營銷總監(jiān)馬克·斯溫寧 (Marc Swinnen) 說?！澳阗徺I NVIDIA 芯片，這就是你訓(xùn)練人工智能的方式。但是一旦你建立了模型，你如何在最終應(yīng)用程序中（也許是在邊緣）執(zhí)行該模型。這通常是為該人工智能算法的特定實(shí)現(xiàn)量身定制的芯片。獲得高速、低功耗人工智能模型的唯一方法是為其構(gòu)建定制芯片。人工智能將成為執(zhí)行這些模型的定制硬件的巨大驅(qū)動(dòng)力?！?/p>

他們要做一系列類似的決定?！安⒉皇敲總€(gè) AI 加速器都是一樣的，”Mythic 的 Fick 說?！瓣P(guān)于如何解決 AI 帶來的內(nèi)存和性能挑戰(zhàn)，有很多很棒的想法。特別是，有新的數(shù)據(jù)類型可以一直到 4 位浮點(diǎn)甚至 1 位精度。可以使用模擬計(jì)算來獲得極高的內(nèi)存帶寬，從而提高性能和能效。其他人正在考慮將神經(jīng)網(wǎng)絡(luò)精簡(jiǎn)到最關(guān)鍵的位，以節(jié)省內(nèi)存和計(jì)算。所有這些技術(shù)都將產(chǎn)生在某些領(lǐng)域強(qiáng)大而在其他領(lǐng)域薄弱的硬件。這意味著更大的硬件和軟件協(xié)同優(yōu)化，以及需要建立一個(gè)具有各種 AI 處理選項(xiàng)的生態(tài)系統(tǒng)?！?/p>

這正是 AI 和 RISC-V 的利益交匯之處。Sigasi 首席執(zhí)行官 Dieter Therssen 表示：“在 LLM 等軟件任務(wù)方面，它們將占據(jù)主導(dǎo)地位，足以推動(dòng)新的硬件架構(gòu)，但不會(huì)完全停止差異化，至少在短期內(nèi)不會(huì)?！薄凹词?RISC-V 的定制也是基于進(jìn)行一些 CNN 或 LLM 處理的需求。這里的一個(gè)關(guān)鍵因素是如何部署 AI。目前，有太多方法可以做到這一點(diǎn)，因此成像融合仍然遙不可及?！?/p>

結(jié)論

AI 是新興事物，發(fā)展速度如此之快，以至于沒有人能給出明確的答案。對(duì)于現(xiàn)有的應(yīng)用程序來說，最佳架構(gòu)是什么？未來的應(yīng)用程序是否看起來足夠相似，以至于現(xiàn)有架構(gòu)只需擴(kuò)展？這似乎是一個(gè)非常幼稚的預(yù)測(cè)，但今天它可能是許多公司的最佳選擇。

GPU 和在其之上構(gòu)建的軟件抽象使 AI 的快速崛起成為可能。它為我們看到的擴(kuò)展提供了足夠的框架，但這并不意味著它是最高效的平臺(tái)。模型開發(fā)在一定程度上被迫朝著現(xiàn)有硬件支持的方向發(fā)展，但隨著更多架構(gòu)的出現(xiàn)，AI 和模型開發(fā)可能會(huì)根據(jù)可用的硬件資源及其對(duì)電力的需求而出現(xiàn)分歧。電力很可能成為主導(dǎo)兩者的因素，因?yàn)槟壳暗念A(yù)測(cè)是，AI 將很快消耗掉全球發(fā)電能力的很大一部分。這種情況不能繼續(xù)下去。