國產(chǎn)GPU能否驅(qū)動大模型落地？

2012年，谷歌團隊推出著名的八層卷積神經(jīng)網(wǎng)絡模型AlexNet，在人臉識別方面大幅提升了圖像識別準確率，帶動了硬件層面卷積的普及。

2017年，谷歌團隊又推出基于自注意力機制的模型Transformer，在語義理解方面大幅提升了語音翻譯效果，帶動了硬件層面GEMM的普及。

2018年，OpenAI團隊推出一種預訓練語言模型GPT(Generative Pre-trained Transformer)，也就是最初代的GPT-1（12層），并通過了圖靈測試。

圖源：WAIC，天數(shù)智芯

也許在GPT-1時代，大眾還沒有什么感受，但GPT-3、GPT-4架構(gòu)下的ChatGPT讓人工智能成功出圈，并產(chǎn)生了全球性的“大模型和AIGC熱”。于是，我們從硬件的角度來看，GPT到底帶來了哪些變革？

事實上，算力是關乎大模型產(chǎn)品成功與否的關鍵，那么大模型需要多少算力呢？天數(shù)智芯副總裁鄒翾表示：“對于頭部企業(yè)來講，預計需要1萬張最新的主流GPU卡，而對于追隨企業(yè)來講，為了追趕頭部企業(yè)的步伐，他們在基礎設施方面的需求可能更大?！?/p>

正是在這樣的大算力需求下，市面上英偉達的芯片貴出天際。據(jù)悉，國內(nèi)幾家頭部互聯(lián)網(wǎng)廠家都向英偉達下了1.5萬-1.6萬的A800和H800訂單，每家的金額在十幾億美金左右，而這些產(chǎn)能將在2024年得到基本保障。

在這樣的大背景下，我們看到新聞，竟然有人開始走私GPU卡，特斯拉CEO馬斯克對此表示：“目前，GPU比毒品更難獲得”。當然，違法的行為不可取，但我們真切地看到了大模型“算力發(fā)動機”的威力。

換言之，大模型對硬件的最大需求就是要有可用的算力，那么這個“可用”到底如何體現(xiàn)呢？通?？梢詮娜齻€方面來理解：

• 易用

需要利舊現(xiàn)有算法模塊，且調(diào)優(yōu)經(jīng)驗可借鑒

• 通用

需要可支持模型的快速變形，快速支持新算子，以及快速支持新通訊（重組）

• 靈活并行

需要滿足訪存全交換和計算全互聯(lián)

結(jié)合當前市場上的可用產(chǎn)品，主要包括GPU和ASIC芯片。然而，相比于ASIC芯片，GPGPU具有更強的通用性，所以在主流的AI加速芯片市場上，GPGPU占到了90%的市場份額。

?此外，雖然說大模型不像中、小模型那樣依賴CUDA生態(tài)，看上去GPGPU和ASIC在大模型上的差距沒有那么大，但不管是模型的訓練還是部署，大模型早期的開放框架都是基于GPGPU架構(gòu)實現(xiàn)的，因此GPGPU的軟件生態(tài)會更為成熟，而ASIC還處在開局階段。

對此，鄒翾表示：“天數(shù)智芯作為國內(nèi)第一家實現(xiàn)設計、制造、量產(chǎn)的GPGPU企業(yè)，當前已經(jīng)實現(xiàn)了商業(yè)閉環(huán)，并在大模型訓練領域取得了階段性進展，完成了百億級參數(shù)大模型訓練。”

下圖中為天數(shù)智芯推出的天垓100加速卡已經(jīng)支持的模型訓練集合：

圖 | 天垓100已支持百億級參數(shù)大模型訓練

從市場方面來看，鄒翾認為：“去年還主要是天垓100在出貨，而今年天垓100和智鎧100一起出貨，在整體市場體量方面會更加趨好?！?/p>