始于硬件却也被硬件所限的深度学习

电子发烧友网报道（文/周凯扬）深度学习硬件在AI时代已经引领了不少设计创新，无论是简单的边缘推理，还是大规模自然语言模型的训练，都有了性能上的突破。作为业内在深度学习上投入最多的公司之一，英伟达无疑是这类硬件的领军者。

 

近日，在伯克利大学的电子工程与电脑科学学院研讨会上，英伟达的首席科学家、研究部门高级副总裁同时兼任该校副教授的Bill Dally，分享了从他这个从业人士看来，发生在深度学习硬件上的一些趋势。

 

硬件成为限制

 

AI的浪潮其实早在20世纪就被多次掀起过，但真正成为人们不可忽视的巨浪，还是这十几年的事，因为这时候AI有了天时地利人和：算法与模型，大到足够训练这些模型的数据集，以及能在合理的时间内训练出这些模型的硬件。

 

但从带起第一波深度学习的AlexNet，到如今的GPT-3和Turing NLG等，人们不断在打造更大的数据集和更大的模型，加上大语言模型的兴起，对训练的要求也就越来越高。可在摩尔定律已经放缓的当下，训练时间也在被拉长。

基于Hopper架构的H100 GPU / 英伟达

 

以英伟达为例，到了帕斯卡这一代，他们才真正开始考虑单芯片的深度学习性能，并结合到GPU的设计中去，所以才有了Hopper这样超高规格的AI硬件出现。但我们在训练这些模型的时候，并没有在硬件规模上有所减少，仍然需要用到集成了数块Hopper GPU的DGX系统，甚至打造一个超算。很明显，单从硬件这一个方向出发已经有些不够了，至少不是一个“高性价比”的方案。

 

软硬件全栈投入

 

硬件推出后，仍要针对特定的模型进行进一步的软件优化，因此即便是同样的硬件，其AI性能也会在未来呈现数倍的飞跃。从上个月的MLPerf的测试结果就可以看出，在A100 GPU推出的2.5年内，英伟达就靠软件优化实现了最高2.5倍的训练性能提升，当然了最大的性能提升还是得靠H100这样的新硬件来实现。

 

 

Bill Dally表示这就是英伟达的优势所在，虽然这几年投入进深度学习硬件的资本不少，但随着经济下行，不少投资者已经丧失了信心，所以不少AI硬件初创公司都没能撑下去，他自己也在这段时间看到了不少向英伟达投递过来的简历。

 

他认为不少这些公司都已经打造出了自己的矩阵乘法器，但他们并没有在软件上有足够的投入，所以即便他们一开始给出的指标很好看，也经常拿英伟达的产品作为对比，未来的性能甚至比不过英伟达的上一代硬件，更别说Hopper这类新产品了。

 

加速器

 

相较传统的通用计算硬件，加速器在深度学习上明显要高效多了，因为加速器往往都是作为一种专用单元存在的，比如针对特定的数据类型和运算。加速器可以在一个运算周期内就完成通常需要花上10秒或100秒才能完成的工作量，效率最高可提升1000倍。

A100和H100的MLPerf跑分 / 英伟达

 

当然了要追求纯粹的性能提升，而不是效率提升的话，这些加速器也可以采用大规模并行设计，比如典型的32x32矩阵乘法单元，同时运行的运算有了千百倍的提升。加速器在内存设计上也更具有优势，比如针对特定的数据结构和运算，选择优化过的高带宽低能耗内存，同时尽可能使用本地内存，减少数据搬运来控制开销。

 

对于英伟达来说，他们在加速器上的研究更像是为GPU准备的试验田，一旦有优秀的成果出现，这些加速器就会成为GPU上的新核心。

 

小结

 

从Bill Dally的分享中，我们可以看出英伟达这样的巨头在深度学习上选择的技术路线，以及他们为何能在众多初创公司涌现、大厂入局的当下岿然不动的底气。这并不是说深度学习硬件的道路只有这一条，类脑芯片等技术的出现也提供了新的破局机会，但有了前人经验的借鉴后，在兼顾性能、数值精度、模型的同时，还是得在软件上下大功夫才行。