在機(jī)器學(xué)習(xí)推理場(chǎng)景中，除了GPU外，還有一大通用AI硬件適合這一負(fù)載，那就是FPGA。與GPU一樣，在技術(shù)和算法還未成熟且仍在打磨階段時(shí)，可以隨時(shí)重新編程改變芯片功能的FPGA架構(gòu)前期硬件成本顯著低于GPU。在推理性能上，現(xiàn)如今的FPGA加速卡算力遠(yuǎn)超CPU，甚至高過不少GPU產(chǎn)品。
但隨著算法和模型逐漸成熟，F(xiàn)PGA在成本上的優(yōu)勢(shì)就慢慢不存在了，在大語(yǔ)言模型上需要用到更多的硬件，而FPGA量產(chǎn)規(guī)模的單價(jià)成本還是太高了，一旦擴(kuò)充至成千上萬張加速卡，其成本也是不小的。比如AMD推出的新加速卡Alveo V70，據(jù)傳單卡價(jià)格就在2000美元左右。如果我們以INT8精度來衡量算力的話，假設(shè)ChatGPT需要28936塊A100 GPU，那么改用Alveo V70的話，也需要44693塊加速卡。 所以還是有不少人將目光投向了量產(chǎn)規(guī)模成本更低的ASIC，比如谷歌就選擇用自研的TPU來部署其聊天機(jī)器人Bard。ASIC方案在單芯片算力上或許不是最高的，但計(jì)算效率卻是最高的，而且隨著量產(chǎn)化單片成本會(huì)逐漸降低。比如谷歌的單個(gè)TPU v4 Pod就集成了4096個(gè)TPU v4芯片，單芯片的BF16算力達(dá)到275TFLOPS，已經(jīng)相當(dāng)接近A100單卡峰值算力了。如果只是這樣簡(jiǎn)單換算的話，只需幾個(gè)TPU v4 Pod，就能滿足與ChatGPT同量級(jí)的應(yīng)用了。 不過ASIC方案并沒有我們想象得那么美好，首先這類硬件的前期設(shè)計(jì)成本較大，要想投入數(shù)據(jù)中心商用，必須組建強(qiáng)大的硬件設(shè)計(jì)和軟件開發(fā)團(tuán)隊(duì)，這樣才能有與GPU相抗衡的性能。其次，因?yàn)楸旧韺Ｓ糜布奶匦裕瑢Ｓ糜跈C(jī)器學(xué)習(xí)推理的ASIC方案很難最大化數(shù)據(jù)中心的硬件利用率，不像GPU還可以同時(shí)用于訓(xùn)練、視頻編解碼等等。 |
