全面分析特斯拉機(jī)器人“超算”芯片

存算一體/GPU架構(gòu)和AI專家，高級(jí)職稱。中關(guān)村云計(jì)算產(chǎn)業(yè)聯(lián)盟，中國(guó)光學(xué)工程學(xué)會(huì)專家，國(guó)際計(jì)算機(jī)學(xué)會(huì)（ACM）會(huì)員，中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）專業(yè)會(huì)員。曾任AI企業(yè)首席科學(xué)家、存儲(chǔ)芯片大廠3D NAND設(shè)計(jì)負(fù)責(zé)人，主要成就包括國(guó)內(nèi)首個(gè)大算力可重構(gòu)存算處理器產(chǎn)品架構(gòu)（已在互聯(lián)網(wǎng)大廠完成原型內(nèi)測(cè)），首個(gè)醫(yī)療領(lǐng)域?qū)Ｓ肁I處理器（已落地應(yīng)用），首個(gè)RISC-V/x86/ARM平臺(tái)兼容的AI加速編譯器（與阿里平頭哥/芯來(lái)合作，已應(yīng)用），國(guó)內(nèi)首個(gè)3D NAND芯片架構(gòu)與設(shè)計(jì)團(tuán)隊(duì)建立（與三星對(duì)標(biāo)），國(guó)內(nèi)首個(gè)嵌入式閃存編譯器（與臺(tái)積電對(duì)標(biāo)，已平臺(tái)級(jí)應(yīng)用）。

本文將深入特斯拉D1處理器的整體架構(gòu)和設(shè)計(jì)哲學(xué)，并結(jié)合特斯拉的專利對(duì)其進(jìn)行深度分析，包括矩陣計(jì)算單元、指令集、Chiplet封裝、編譯生態(tài)等。

2022年9月最后一天，特斯拉的人工智能日，特斯拉“擎天柱”機(jī)器人正式登臺(tái)亮相。按照特斯拉工程師的說(shuō)法，2022 年人工智能日是特斯拉機(jī)器人第一次在沒(méi)有任何外部支持的情況下被“放出“?！八安阶硕饲f，大方向場(chǎng)上觀眾打招呼。除了動(dòng)作稍微遲緩之外，其他都很自然。

1，特斯拉機(jī)器人強(qiáng)大在于“內(nèi)芯”？

特斯拉展示了機(jī)器人在辦公室周圍“工作”的視頻。名為擎天柱的機(jī)器人搬運(yùn)物品，給植物澆水，甚至自主的在工廠工作了一段時(shí)間。”我們的目標(biāo)是盡快制造出有用的人形機(jī)器人”，特斯拉表明，他們的目標(biāo)是讓機(jī)器人的價(jià)格低于 2 萬(wàn)美元，或者比特斯拉的電動(dòng)汽車便宜。

特斯拉機(jī)器人之所以這么強(qiáng)，除了特斯拉本身在AI技術(shù)的積累外，更主要得益于特斯拉強(qiáng)勁的自研AI芯片。這顆AI芯片，不是傳統(tǒng)上的CPU，更不是GPU，是一種更適合復(fù)雜AI計(jì)算的形態(tài)。

D1處理器與其他自動(dòng)駕駛/機(jī)器人處理器的對(duì)比

1.1 基于數(shù)據(jù)流近存架構(gòu)打造一顆超越GPU的通用AI芯片

特斯拉打造自有芯片的原因是，GPU 并不是專門(mén)為處理深度學(xué)習(xí)訓(xùn)練而設(shè)計(jì)的，這使得GPU在計(jì)算任務(wù)中的效率相對(duì)較低。特斯拉與 Dojo（Dojo既是訓(xùn)練模組的名稱，又是內(nèi)核架構(gòu)名稱） 的目標(biāo)是“實(shí)現(xiàn)最佳的 AI 訓(xùn)練性能。啟用更大、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)高能效且經(jīng)濟(jì)高效的計(jì)算?！?特斯拉的標(biāo)準(zhǔn)是制造一臺(tái)比其他任何計(jì)算機(jī)都更擅長(zhǎng)人工智能計(jì)算的計(jì)算機(jī)，從而他們將來(lái)不需要再使用 GPU。

構(gòu)建超級(jí)計(jì)算機(jī)一個(gè)關(guān)鍵點(diǎn)是如何在擴(kuò)展計(jì)算能力同時(shí)保持高帶寬（困難）和低延遲（非常困難）。特斯拉給出的解決方案是強(qiáng)大的芯片和獨(dú)特的網(wǎng)格結(jié)構(gòu)組成的分布式 2D 架構(gòu)（平面），或者說(shuō)是數(shù)據(jù)流近存計(jì)算架構(gòu)。

特斯拉算力單元的層級(jí)劃分

按照層次劃分的話，每354個(gè)Dojo核心組成一塊D1芯片，而每25顆芯片組成一個(gè)訓(xùn)練模組。最后120個(gè)訓(xùn)練模組組成一組ExaPOD計(jì)算集群，共計(jì)3000顆D1芯片。

一個(gè)特斯拉Dojo芯片訓(xùn)練模組可以達(dá)到6組GPU服務(wù)器的性能，成本卻少于單組GPU服務(wù)器。單臺(tái)Dojo服務(wù)器算力甚至達(dá)到了54PFLOPS。只用 4 個(gè) Dojo 機(jī)柜就能取代由 4000 顆 GPU 組成的 72 組 GPU 機(jī)架。Dojo 將通常需要幾個(gè)月的AI計(jì)算（訓(xùn)練）工作減少到了1 周。這樣的“大算力出奇跡”，與特斯拉自動(dòng)駕駛的風(fēng)格一脈相承。顯然芯片也會(huì)大大加速特斯拉AI技術(shù)的進(jìn)步速度。

當(dāng)然，這一芯片模組還沒(méi)有到達(dá)“完美”的程度，盡管采用了數(shù)據(jù)流近存計(jì)算的思路，其算力能效比并沒(méi)有超過(guò)GPU。單個(gè)服務(wù)器的功耗巨大，電流達(dá)到了2000A，需要特殊定制的電源供電。特斯拉D1芯片已經(jīng)是近存計(jì)算架構(gòu)的結(jié)構(gòu)極限了。如果特斯拉采用“存內(nèi)計(jì)算”或者“存內(nèi)邏輯”架構(gòu)，或許芯片性能或能效比還會(huì)有大幅度提升。

特斯拉Dojo芯片服務(wù)器由12個(gè)Dojo訓(xùn)練模組組成（2層，每層6個(gè)）

1.2 特斯拉的Dojo架構(gòu)設(shè)計(jì)哲學(xué)

Dojo核心是一個(gè)8路譯碼的內(nèi)核，具有較高吞吐量和4路矩陣計(jì)算單元（8x8）以及 1.25 MB 的本地 SRAM。但是Dojo核心的尺寸卻不大，相比之下，富士通的A64FX在同一工藝節(jié)點(diǎn)上占據(jù)的面積是其兩倍以上。

通過(guò)Dojo核心的結(jié)構(gòu)，我們可以看出特斯拉在通用AI處理器上的設(shè)計(jì)哲學(xué)：

面積精簡(jiǎn)：特斯拉通過(guò)將大量計(jì)算內(nèi)核集成到芯片中，以最大限度提高AI計(jì)算的吞吐量，因此需要在保障算力的情況下使單個(gè)內(nèi)核的面積盡可能小，更好的折衷超算系統(tǒng)中算力堆疊和延遲的矛盾。

緩存與延遲精簡(jiǎn)：為了實(shí)現(xiàn)其區(qū)域計(jì)算效率最大化，Dojo內(nèi)核以相對(duì)保守的 2 GHz 運(yùn)行（保守時(shí)鐘電路往往占用較少的面積），只使用基本的分支預(yù)測(cè)器和小的指令緩存，在如此精簡(jiǎn)只保留必要部件的架構(gòu)下。其余面積盡可能留給向量計(jì)算和矩陣計(jì)算單元。當(dāng)然，如果內(nèi)核程序的代碼占用量很大，或分支較多時(shí)，這種策略可能會(huì)犧牲一些性能。

功能精簡(jiǎn)：通過(guò)削減對(duì)運(yùn)行內(nèi)部計(jì)算不是必須的處理器功能來(lái)進(jìn)一步減少功耗和面積使用。Dojo核心不進(jìn)行數(shù)據(jù)端緩存，不支持虛擬內(nèi)存，也不支持精確異常。

對(duì)于特斯拉和馬斯克而言，Dojo不僅僅形狀布局像道場(chǎng)，其設(shè)計(jì)哲學(xué)也與道場(chǎng)的精神息息相關(guān)，充分體現(xiàn)了“少即是多”的處理器設(shè)計(jì)美學(xué)。

2，D1核心是RISC-V架構(gòu)嗎？

我們先來(lái)看看每個(gè)Dojo的結(jié)構(gòu)和特點(diǎn)。

每個(gè)Dojo核心是帶有向量計(jì)算/矩陣計(jì)算能力的處理器，具有完整的取指、譯碼、執(zhí)行部件。Dojo核心具有類似CPU的 風(fēng)格，似乎比GPU 更能適應(yīng)不同的算法和分支代碼。D1的指令集類似于 RISC-V，處理器運(yùn)行在2GHz，具有4組8x8矩陣乘法計(jì)算單元。同時(shí)具有一組自定義向量指令，專注于加速AI計(jì)算。

對(duì)RISC-V領(lǐng)域熟悉的大概能看出，特斯拉Dojo架構(gòu)圖的配色方案像是在致敬伯克利的BOOM處理器架構(gòu)圖，上黃中綠下紫。

特斯拉Dojo核心與伯克利BOOM/ IBM Cell核心對(duì)比

2.1 D1核心整體架構(gòu)

D1核心結(jié)構(gòu)（藍(lán)色部分為添加/修改的細(xì)節(jié)）

從目前的架構(gòu)圖來(lái)看，Dojo核心由前端、執(zhí)行單元、SRAM和NoC路由4部分組成，比CPU和GPU的控制部件都更少，具有類似CPU的AGU和思路類似GPU張量核心（Tensor core）的矩陣計(jì)算單元。

Dojo核心結(jié)構(gòu)比BOOM更加精簡(jiǎn)，沒(méi)有Rename這些改善執(zhí)行部件利用率的組件，同時(shí)也難于支持虛擬內(nèi)存。但這樣設(shè)計(jì)的好處是減少了控制部分占用的面積，可以把芯片上更多的面積劃分給計(jì)算執(zhí)行單元。每個(gè)Dojo核心提供了1.024TFLOPS的算力?？梢钥吹?，每個(gè)幾乎所有的算力都由矩陣計(jì)算單元提供。因而矩陣計(jì)算單元和SRAM共同決定了D1處理器的計(jì)算能效比。

Dojo核心的主要參數(shù)

分支預(yù)測(cè)：相對(duì)GPU這類SIMT架構(gòu)，Dojo核心也沒(méi)有SIMT堆棧核心來(lái)進(jìn)行多線程分支任務(wù)的分配。但Dojo核心具有 BTB（分支目標(biāo)緩沖區(qū)），因此D1可以通過(guò)簡(jiǎn)單的分支預(yù)測(cè)來(lái)提升性能。
BTB將分支成功的分支指令的地址和它的分支目標(biāo)地址都放到一個(gè)緩沖區(qū)中保存起來(lái)，緩沖區(qū)以分支指令的地址作為標(biāo)識(shí)?？梢酝ㄟ^(guò)預(yù)測(cè)分支的路徑和緩存分支使用的信息來(lái)減少流水線處理器中分支的性能損失。

指令緩存：較小的L1指令緩存直接與核心中的SRAM相連獲取計(jì)算指令。

取指：每個(gè)Dojo內(nèi)核具有 32 B 的取指窗口，最多可容納 8 條指令。

譯碼：一個(gè)8路解碼器每個(gè)周期可以處理兩個(gè)線程。譯碼階段從取指緩沖獲取指令并譯碼，并根據(jù)每條指令的要求分配必要的執(zhí)行資源。

線程調(diào)度：在較寬的8路譯碼之后，則是向量的調(diào)度器（Scheduler）和寄存器堆（Register File）。貌似這里沒(méi)有分支聚合的掩碼判斷，實(shí)際的分支執(zhí)行效率可能會(huì)比GPU略低。希望特斯拉有一個(gè)強(qiáng)大的編譯器吧。

執(zhí)行單元：具有2路ALU和2路AGU，以及針對(duì)向量/矩陣計(jì)算的512位SIMD和矩陣計(jì)算單元（分別執(zhí)行512位向量計(jì)算和4路8x8矩陣乘法）。其中矩陣計(jì)算單元是D1芯片的算力主體。（在下一節(jié)具體介紹）

ALU和AGU主要負(fù)責(zé)矩陣計(jì)算之外的少量邏輯計(jì)算。其中AGU是地址生成單元，主要用于生成操作SRAM所需的地址和訪問(wèn)其他核心的地址。通過(guò)由與 CPU 的其余部分并行運(yùn)行地址計(jì)算。
普通CPU 在執(zhí)行各種操作時(shí)，需要計(jì)算從內(nèi)存（或SRAM）中取數(shù)據(jù)所需的內(nèi)存地址。例如，必須先計(jì)算數(shù)組元素的內(nèi)存位置，然后 CPU內(nèi)核才能從實(shí)際內(nèi)存位置獲取數(shù)據(jù)。這些地址生成計(jì)算涉及不同的整數(shù)算術(shù)運(yùn)算，例如加法、減法、模運(yùn)算或位移。計(jì)算內(nèi)存地址可以編譯多個(gè)通用機(jī)器指令，也可以類似特斯拉Dojo這樣通過(guò)AGU的硬件電路直接執(zhí)行。這樣各種地址生成計(jì)算可以從ALU卸載，減少執(zhí)行AI計(jì)算所需等待的CPU 周期數(shù)，從而提高計(jì)算性能。

SIMD主要負(fù)責(zé)激活等特殊功能計(jì)算和數(shù)據(jù)的累加。

矩陣計(jì)算單元是Dojo的主要算力原件，負(fù)責(zé)二維矩陣計(jì)算，進(jìn)而實(shí)現(xiàn)卷積、Transformer等計(jì)算。

Intel Nehalem架構(gòu)中使用AGU來(lái)提升單周期地址訪問(wèn)效率

Dojo內(nèi)核的連接方式比較像 IBM 的 Cell處理器中的SPE內(nèi)核連接方式。主要的相似點(diǎn)包括：

D1或 SPE 上運(yùn)行的代碼都不能直接訪問(wèn)系統(tǒng)內(nèi)存，應(yīng)用程序主要在本地 SRAM 中工作；

如果需要來(lái)自主存儲(chǔ)器（DDR或HBM）的數(shù)據(jù)，須使用 DMA 操作進(jìn)行讀入

D1 和 Cell 的 SPE 都不支持虛擬內(nèi)存。

下面將介紹計(jì)算與矩陣乘法模塊與內(nèi)核的存儲(chǔ)。

2.2 算力核心矩陣計(jì)算單元與片內(nèi)存儲(chǔ)

Dojo架構(gòu)算力增強(qiáng)的核心是矩陣計(jì)算單元。矩陣計(jì)算單元與核心SRAM的數(shù)據(jù)交互構(gòu)成了主要的內(nèi)核數(shù)據(jù)搬運(yùn)功耗。

特斯拉矩陣計(jì)算單元相應(yīng)的專利如下圖。該模塊關(guān)鍵部件是一個(gè)8x8矩陣-矩陣乘法單元（圖中稱為矩陣計(jì)算器）。輸入為數(shù)據(jù)輸入陣列和權(quán)重輸入陣列，計(jì)算矩陣乘法后直接在輸出進(jìn)行累加。每個(gè)Dojo核心包括4路8x8矩陣乘法單元。

特斯拉矩陣計(jì)算單元專利

由于架構(gòu)圖上只有一個(gè)L1 緩存和SRAM，大膽猜測(cè)特斯拉精簡(jiǎn)了RISC-V的緩存結(jié)構(gòu)，目的是節(jié)約緩存面積并減少延遲。每個(gè)核心1.25MB的SRAM塊可以為SIMD和矩陣計(jì)算單元提供2x512位的讀（對(duì)應(yīng)AI計(jì)算的權(quán)重和數(shù)據(jù)）和512位的寫(xiě)帶寬，以及面向整數(shù)寄存器堆的64位讀寫(xiě)能力。計(jì)算的主要數(shù)據(jù)流是從SRAM到SIMD和矩陣乘法單元。

矩陣計(jì)算單元的主要處理流程為：

通過(guò)多路選擇器（Mux）從SRAM中加載權(quán)重到權(quán)重輸入陣列（Weight input array），同時(shí)SRAM中加載數(shù)據(jù)到數(shù)據(jù)輸入陣列（Data input array）。

輸入的數(shù)據(jù)與權(quán)重在矩陣計(jì)算器（Matrix computation Unit）中進(jìn)行乘法計(jì)算（內(nèi)積或外積？）

乘法計(jì)算結(jié)果輸出到輸出累加（Output accumulator）中進(jìn)行累加。這里計(jì)算時(shí)可以通過(guò)矩陣劃分拼接的方式進(jìn)行超過(guò)8x8的矩陣計(jì)算。

累加后的輸出傳入后處理器寄存器堆進(jìn)行緩存，隨后進(jìn)行后處理（可執(zhí)行例如激活、池化、Padding等操作）。

整個(gè)計(jì)算流程由控制單元（Control unit）直接控制，無(wú)需CPU干預(yù)。

執(zhí)行單元與SRAM/NoC的數(shù)據(jù)交互

Dojo核心內(nèi)的SRAM具有非常大的讀寫(xiě)帶寬，可以以 400 GB/秒的速度加載并以 270 GB/秒的速度寫(xiě)入。Dojo核心指令集具有專用的網(wǎng)絡(luò)傳輸指令，通過(guò)NoC路由，可以直接將數(shù)據(jù)移入或移出 D1 芯片中甚至Dojo訓(xùn)練模塊中其他內(nèi)核的SRAM 存儲(chǔ)器。

與普通的SRAM不同，Dojo的SRAM包括列表解析引擎（list parser engine）和一個(gè)收集引擎（gather engine）。列表解析功能是 D1芯片的關(guān)鍵特性之一，通過(guò)列表解析引擎可以將復(fù)雜的不同數(shù)據(jù)類型的傳輸序列進(jìn)行打包，提升傳輸效率。

列表解析功能

為了進(jìn)一步減少操作延遲、面積和復(fù)雜度，D1 并不支持虛擬內(nèi)存。在通常的處理器中，程序使用的內(nèi)存地址不是直接訪問(wèn)物理內(nèi)存地址，而是由 CPU 使用操作系統(tǒng)設(shè)置的分頁(yè)結(jié)構(gòu)轉(zhuǎn)換為物理地址。

在 D1內(nèi)核中， 4 路 SMT 功能讓計(jì)算具備顯式并行性，簡(jiǎn)化 AGU 和尋址計(jì)算方式，以讓特斯拉以足夠低的延遲訪問(wèn) SRAM，其優(yōu)勢(shì)是可避免中間L1 數(shù)據(jù)緩存的延遲。

2.3 Dojo指令集

D1處理器指令集

D1參考了RISC-V 架構(gòu)的指令，并且自定義了一些指令，特別是矢量計(jì)算相關(guān)的指令。

D1指令集支持 64 位標(biāo)量指令和 64字節(jié) SIMD 指令，網(wǎng)絡(luò)傳輸與同步原語(yǔ)和機(jī)器學(xué)習(xí)/深度學(xué)習(xí)相關(guān)的專用原語(yǔ)（例如8x8矩陣計(jì)算）。

在網(wǎng)絡(luò)數(shù)據(jù)傳輸和同步原語(yǔ)方面，支持從本地存儲(chǔ)（SRAM）到遠(yuǎn)程存儲(chǔ)傳輸數(shù)據(jù)的指令原語(yǔ)（Primitives），以及信號(hào)量（Semaphore）和屏障約束（ Barrier constraints）。這可以使D1支持多線程，其存儲(chǔ)操作指令可以在多個(gè) D1 內(nèi)核中運(yùn)行。

針對(duì)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，特斯拉定義了包括 shuffle、transpose 和 convert 等數(shù)學(xué)操作的指令，以及隨機(jī)舍入（ stochastic rounding ），padding相關(guān)的指令。

2.4 數(shù)據(jù)格式

D1核心具備FP32和FP16這兩個(gè)標(biāo)準(zhǔn)的計(jì)算格式，同時(shí)還具備更適合Inference的BFP16格式。為了達(dá)到混合精度計(jì)算提升性能的目的， D1還采用了用于較低精度和更高吞吐量的 8 位 CFP8 格式。

采用CFP8的優(yōu)勢(shì)在于可以節(jié)約更多的乘法器空間實(shí)現(xiàn)幾乎同樣的算力，這對(duì)提升D1的算力密度非常有幫助。

Dojo 編譯器可以在尾數(shù)精度附近滑動(dòng)，以涵蓋更廣泛的范圍和精度。在任何給定時(shí)間，最多可以使用 16 種不同的矢量格式，靈活提升算力。

D1處理器的數(shù)據(jù)格式

根據(jù)特斯拉提供的信息，在矩陣乘法單元內(nèi)部可使用CFP8來(lái)進(jìn)行計(jì)算（存儲(chǔ)為CFP16格式）。

3，Dojo架構(gòu)處理器能否超過(guò)GPU？

D1處理器由臺(tái)積電制造，采用7納米制造工藝，擁有500億個(gè)晶體管，芯片面積為645mm2，小于英偉達(dá)的A100（826 mm2）和AMD Arcturus（750 mm2）。

3.1 Dojo數(shù)據(jù)流近存計(jì)算架構(gòu)

D1處理器結(jié)構(gòu)

每個(gè)D1處理器由 18 x 20 的Dojo核心拼接構(gòu)成。每個(gè)D1處理器中有354個(gè)Dojo核心可用。（之所以只使用360個(gè)核心中的354個(gè)是出于良率和每處理器核心穩(wěn)定考慮）由臺(tái)積電制造，采用7nm制造工藝，擁有500億個(gè)晶體管，芯片面積為645mm2。

每個(gè)Dojo核心有一塊1.25MB的SRAM作為主要的權(quán)重和數(shù)據(jù)存儲(chǔ)。不同的Dojo核心通過(guò)片上網(wǎng)絡(luò)路由（NoC路由）進(jìn)行連接，不同的Dojo內(nèi)核通過(guò)復(fù)雜的NoC網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)同步，而不是共享數(shù)據(jù)緩存。NoC 可以處理跨節(jié)點(diǎn)邊界4個(gè)方向（東南西北）的 8 個(gè)數(shù)據(jù)包，每個(gè)方向 64 B/每個(gè)時(shí)鐘周期，即在所有四個(gè)方向上一個(gè)數(shù)據(jù)包輸入和一個(gè)數(shù)據(jù)包輸出到網(wǎng)格中每個(gè)相鄰的Dojo核心。該NoC路由還可以在每個(gè)周期對(duì)核心內(nèi)的 SRAM 進(jìn)行一次 64 B 雙向讀寫(xiě)。

跨處理器傳輸和D1處理器內(nèi)部的任務(wù)劃分

每個(gè)Dojo核心都是一個(gè)相對(duì)完整的帶矩陣計(jì)算能力的類CPU（由于每個(gè)核心具備單獨(dú)的矩陣計(jì)算單元，且前端相對(duì)較小，所以這里稱為類CPU）其數(shù)據(jù)流架構(gòu)則有點(diǎn)類似于SambaNova的二維數(shù)據(jù)流網(wǎng)格結(jié)構(gòu)，數(shù)據(jù)直接在各個(gè)處理核心之間流轉(zhuǎn)，無(wú)需回到內(nèi)存。

D1芯片運(yùn)行在2GHz，擁有巨大的440MB SRAM。特斯拉將設(shè)計(jì)重心放在計(jì)算網(wǎng)格中的分布式SRAM，通過(guò)大量更快更近的片上存儲(chǔ)和片上存儲(chǔ)之間的流轉(zhuǎn)減少對(duì)內(nèi)存的訪問(wèn)頻度，來(lái)提升整個(gè)系統(tǒng)的性能，具有明顯的數(shù)據(jù)流存算一體架構(gòu)（數(shù)據(jù)流近存計(jì)算）特征。

每顆D1 芯片有 576 個(gè)雙向 SerDes 通道，分布在四周，可連接到其他 D1 芯片，單邊帶寬為 4 TB/秒。

D1處理器芯片主要參數(shù)

3.2 Dojo訓(xùn)練模組的Chiplet封裝互連技術(shù)

每個(gè)D1訓(xùn)練模塊由5x5的 D1芯片陣列排布而成，以二維Mesh結(jié)構(gòu)互連。片上跨內(nèi)核SRAM達(dá)到驚人的11GB，當(dāng)然耗電量也達(dá)到了15kW的驚人指標(biāo)。能效比為0.6TFLOPS/W@BF16/CFP8。（希望是我算錯(cuò)了，否則這個(gè)能效比確實(shí)不是太理想）。外部32GB共享HBM內(nèi)存。（HBM2e或HBM3）

特斯拉D1處理器的散熱結(jié)構(gòu)專利

特斯拉使用了專用的電源調(diào)節(jié)模塊（VRM）和散熱結(jié)構(gòu)來(lái)進(jìn)行功耗管理。在這里功耗管理的主要目的有2個(gè)：

減少不必要的功耗損失，提升能效比。

減少散熱形變?cè)斐傻奶幚砥髂＝M失效。

根據(jù)特斯拉的專利，我們可以看到電源調(diào)節(jié)模塊與芯片本身垂直，極大的減少了對(duì)處理器平面的面積占用，且可以通過(guò)液冷來(lái)迅速平衡處理器的溫度。

特斯拉D1處理器的散熱和封裝結(jié)構(gòu)專利

訓(xùn)練模組在封裝上采用InFO_SoW（Silicon on Wafer）封裝來(lái)提高芯片間的互連密度。該封裝除了TSMC的INFO_SoW技術(shù)之外，也采用了特斯拉自己的機(jī)械封裝結(jié)構(gòu)，以減小處理器模組的失效。

每個(gè)訓(xùn)練模塊外部邊緣的 40 個(gè) I/O 芯片達(dá)到了 36 TB/s的聚合帶寬，或者10TB/s的橫跨帶寬。每層訓(xùn)練模塊都連接著超高速存儲(chǔ)系統(tǒng)：640GB 運(yùn)行內(nèi)存可以提供超過(guò) 18TB/s的帶寬，另外還有超過(guò) 1TB/s的網(wǎng)絡(luò)交換帶寬。

數(shù)據(jù)傳輸方向與芯片平面平行，供電及液冷方向與芯片平面垂直。這是一個(gè)非常優(yōu)美的結(jié)構(gòu)設(shè)計(jì)，不同的訓(xùn)練模塊之間還可以互連。通過(guò)立體結(jié)構(gòu)，節(jié)約了芯片模組的供電面積，盡可能減少計(jì)算芯片間的距離。

一個(gè) Dojo POD 機(jī)柜由兩層計(jì)算托盤(pán)和存儲(chǔ)系統(tǒng)組成。每一層托盤(pán)都有 6 個(gè) D1 訓(xùn)練模組。兩層共 12個(gè)訓(xùn)練模組組成的一個(gè)機(jī)柜，可提供 108PFLOPS 的深度學(xué)習(xí)算力。

Dojo模組與Dojo POD機(jī)柜

3.3 電源管理與散熱控制

超算平臺(tái)的散熱，一直是衡量超算系統(tǒng)水平的重要維度。

D1 芯片的熱設(shè)計(jì)功率(TDP) 為 400 W。將 25 顆 D1 芯片緊密封裝成為一個(gè)訓(xùn)練模組，僅處理器TDP就可能高達(dá) 10 kW。在如此之高密度的計(jì)算芯片矩陣環(huán)境下，綜合考慮散熱和電力傳輸，特斯拉需要為D1芯片提供全新的方案。

特斯拉在 Dojo POD 上使用了全自研的 VRM（電壓調(diào)節(jié)模組），單個(gè) VRM可以在不足 25 美分硬幣面積的電路上，提供52V電壓和超過(guò) 1000A 的巨大電流，電流目的為0.86A每平方毫米，共計(jì)12個(gè)獨(dú)立供電相位。

特斯拉的電源調(diào)節(jié)模組

對(duì)高密度芯片散熱而言，其重點(diǎn)是控制熱膨脹系數(shù)（CTE）。Dojo系統(tǒng)的芯片密度極高，如果CTE稍微失控，都可能導(dǎo)致結(jié)構(gòu)變形/失效，進(jìn)而出現(xiàn)連接故障。

特斯拉這套自研 VRM 在過(guò)去2年內(nèi)迭代了 14 個(gè)版本，采用了MEMS振蕩器（MO）來(lái)感知電源調(diào)節(jié)模組的熱形變，最終才完全符合內(nèi)部對(duì) CTE 指標(biāo)的要求。這種通過(guò)MEMS技術(shù)主動(dòng)調(diào)節(jié)電源功率的方式，與控制火箭箭身振動(dòng)的主動(dòng)調(diào)節(jié)方式類似。

3.4 Dojo架構(gòu)處理器的編譯生態(tài)

D1處理器軟件棧

對(duì)于D1這類AI芯片來(lái)說(shuō)，編譯生態(tài)的重要性不低于芯片本身。

在D1處理器平面上，D1被劃分為矩陣式的計(jì)算單元。編譯工具鏈負(fù)責(zé)任務(wù)的劃分和配置數(shù)據(jù)存儲(chǔ)，并且通過(guò)多種方式進(jìn)行細(xì)粒度的并行計(jì)算，并減少存儲(chǔ)占用。

Dojo編譯器支持的并行方式包括數(shù)據(jù)并行、模型并行和圖并行。支持的存儲(chǔ)分配方式包括分布式張量、重算分配和分割填充。

編譯器本身可以處理各種CPU中常用的動(dòng)態(tài)控制流，包括循環(huán)和圖優(yōu)化算法。借助Dojo編譯器，用戶可將Dojo大型分布式系統(tǒng)視作一個(gè)加速器進(jìn)行整體設(shè)計(jì)和訓(xùn)練。

整個(gè)軟件生態(tài)的頂層基于PyTorch，底層基于Dojo驅(qū)動(dòng)，中間使用Dojo編譯器和LLVM形成編譯層。這里加入LLVM后，可以使特斯拉更好的利用LLVM上已有的各種編譯生態(tài)進(jìn)行編譯優(yōu)化。

特斯拉Dojo 編譯器

4，結(jié)語(yǔ)

通過(guò)特斯拉AI日，我們看到了特斯拉機(jī)器人的真身，并且對(duì)其強(qiáng)大的“內(nèi)芯”有了更多的認(rèn)識(shí)。

特斯拉的Dojo核心與以往的CPU和GPU架構(gòu)特點(diǎn)都有差別，可以說(shuō)是結(jié)合了CPU特點(diǎn)的精簡(jiǎn)GPU，相信其在編譯上也會(huì)與CPU和GPU有較大的差異。為了提升計(jì)算密度，特斯拉做了極致精簡(jiǎn)的優(yōu)化，并且提供了主動(dòng)調(diào)節(jié)的電源管理機(jī)制。

特斯拉Dojo架構(gòu)不止名為道場(chǎng)，其設(shè)計(jì)也確實(shí)以簡(jiǎn)為道，以少為多。那這種架構(gòu)會(huì)不會(huì)成為繼CPU和GPU之后的另一算力芯片架構(gòu)典型形態(tài)呢？讓我們拭目以待。

審核編輯 ：李倩