AI推理芯片，比你想象難！

來(lái)源：內(nèi)容由半導(dǎo)體行業(yè)觀察（ID：icbank）編譯自semianalysis

AI 行業(yè)討論最多的部分是追求只能由大型科技公司開(kāi)發(fā)的更大的語(yǔ)言模型。雖然訓(xùn)練這些模型的成本很高，但在某些方面部署它們更加困難。事實(shí)上，OpenAI 的 GPT-4 非常龐大且計(jì)算密集，僅運(yùn)行推理就需要多臺(tái)價(jià)值約 250,000 美元的服務(wù)器，每臺(tái)服務(wù)器配備 8 個(gè) GPU、大量?jī)?nèi)存和大量高速網(wǎng)絡(luò)。谷歌對(duì)其全尺寸PaLM 模型采用了類(lèi)似的方法，該模型需要 64 個(gè) TPU 和 16 個(gè) CPU 才能運(yùn)行。Meta 2021 年最大推薦模型需要 128 個(gè) GPU 來(lái)服務(wù)用戶。越來(lái)越強(qiáng)大的模型世界將繼續(xù)激增，尤其是在以 AI 為中心的云和 ML Ops 公司（如 MosaicML 協(xié)助企業(yè)開(kāi)發(fā)和部署 LLM）的情況。

但更大并不總是更好。人工智能行業(yè)有一個(gè)完全不同的領(lǐng)域，它試圖拒絕大型計(jì)算機(jī)。圍繞可以在客戶端設(shè)備上運(yùn)行的小型模型展開(kāi)的開(kāi)源運(yùn)動(dòng)可能是業(yè)界討論最多的第二部分。雖然 GPT-4 或完整 PaLM 規(guī)模的模型永遠(yuǎn)不可能在筆記本電腦和智能手機(jī)上運(yùn)行，但由于內(nèi)存墻，即使硬件進(jìn)步了 5 年以上，也有一個(gè)面向設(shè)備端的模型開(kāi)發(fā)的系統(tǒng)推理。在本文中，我們將在筆記本電腦和手機(jī)等客戶端設(shè)備上討論這些較小的模型。本次討論將重點(diǎn)關(guān)注推理性能的門(mén)控因素、模型大小的基本限制，以及未來(lái)的硬件開(kāi)發(fā)將如何在此建立開(kāi)發(fā)邊界。為什么需要本地模型

設(shè)備上人工智能的潛在用例廣泛多樣。人們希望擺脫擁有所有數(shù)據(jù)的科技巨頭。Google、Meta、百度和字節(jié)跳動(dòng)，AI 5 大領(lǐng)導(dǎo)者中的 4 家，其目前的全部盈利能力基本上都基于使用用戶數(shù)據(jù)來(lái)定向廣告。只要看看整個(gè) IDFA 混戰(zhàn)，就可以看出缺乏隱私對(duì)這些公司來(lái)說(shuō)有多重要。設(shè)備上的 AI 可以幫助解決這個(gè)問(wèn)題，同時(shí)還可以通過(guò)針對(duì)每個(gè)用戶的獨(dú)特對(duì)齊和調(diào)整來(lái)增強(qiáng)功能。

為較小的語(yǔ)言模型提供上 一代大型模型的性能th是 AI 在過(guò)去幾個(gè)月中最重要的發(fā)展之一。

一個(gè)簡(jiǎn)單、容易解決的例子是設(shè)備上的語(yǔ)音到文本。這是相當(dāng)糟糕的，即使是目前一流的谷歌 Pixel 智能手機(jī)也是如此。轉(zhuǎn)到基于云的模型的延遲對(duì)于自然使用來(lái)說(shuō)也非常刺耳，并且在很大程度上取決于良好的互聯(lián)網(wǎng)連接。隨著OpenAI Whisper等模型在移動(dòng)設(shè)備上運(yùn)行，設(shè)備上語(yǔ)音轉(zhuǎn)文本的世界正在迅速變化。（谷歌 IO 還表明這些功能可能很快就會(huì)得到大規(guī)模升級(jí)。）

一個(gè)更大的例子是 Siri、Alexa 等，作為個(gè)人助理非常糟糕。在自然語(yǔ)音合成 AI 的幫助下，大型語(yǔ)言模型可以解鎖更多可以為您的生活提供幫助的人類(lèi)和智能 AI 助手。從創(chuàng)建日歷事件到總結(jié)對(duì)話再到搜索，每臺(tái)設(shè)備上都會(huì)有一個(gè)基于多模態(tài)語(yǔ)言模型的個(gè)人助理。這些模型已經(jīng)比 Siri、Google Assistant、Alexa、Bixby 等功能強(qiáng)大得多，但我們?nèi)蕴幱谠缙陔A段。

在某些方面，生成式人工智能正迅速成為一種雙峰分布，具有大量的基礎(chǔ)模型和可以在客戶端設(shè)備上運(yùn)行的小得多的模型，獲得了大部分投資，并且兩者之間存在巨大鴻溝。設(shè)備上推理的基本限制

雖然設(shè)備上人工智能的前景無(wú)疑是誘人的，但有一些基本的限制使得本地推理比大多數(shù)人預(yù)期的更具挑戰(zhàn)性。絕大多數(shù)客戶端設(shè)備沒(méi)有也永遠(yuǎn)不會(huì)有專(zhuān)用 GPU，因此所有這些挑戰(zhàn)都必須在 SoC 上解決。主要問(wèn)題之一是 GPT 樣式模型所需的大量?jī)?nèi)存占用和計(jì)算能力。計(jì)算要求雖然很高，但在未來(lái) 5 年內(nèi)將通過(guò)更專(zhuān)業(yè)的架構(gòu)、摩爾定律擴(kuò)展到 3nm/2nm 以及芯片的 3D 堆疊來(lái)迅速解決。

由于英特爾、AMD、蘋(píng)果、谷歌、三星、高通和聯(lián)發(fā)科等公司正在進(jìn)行的架構(gòu)創(chuàng)新，最高端的客戶端移動(dòng)設(shè)備將配備約 500 億個(gè)晶體管和超過(guò)足夠的 TFLOP/s 用于設(shè)備上的人工智能，需要明確的是，他們現(xiàn)有的客戶端 AI 加速器中沒(méi)有一個(gè)非常適合 Transformer，但這將在幾年內(nèi)改變。芯片數(shù)字邏輯方面的這些進(jìn)步將解決計(jì)算問(wèn)題，但它們無(wú)法解決內(nèi)存墻和數(shù)據(jù)重用的真正根本問(wèn)題。

GPT 風(fēng)格的模型被訓(xùn)練為在給定先前標(biāo)記的情況下預(yù)測(cè)下一個(gè)標(biāo)記（~= 單詞）。要用它們生成文本，你需要給它提示，然后讓它預(yù)測(cè)下一個(gè)標(biāo)記，然后將生成的標(biāo)記附加到提示中，然后讓它預(yù)測(cè)下一個(gè)標(biāo)記，然后繼續(xù)。為此，您必須在每次預(yù)測(cè)下一個(gè)標(biāo)記時(shí)將所有參數(shù)從 RAM 發(fā)送到處理器。第一個(gè)問(wèn)題是您必須將所有這些參數(shù)存儲(chǔ)在盡可能靠近計(jì)算的地方。另一個(gè)問(wèn)題是您必須能夠在需要時(shí)準(zhǔn)確地將這些參數(shù)從計(jì)算加載到芯片上。

在內(nèi)存層次結(jié)構(gòu)中，在芯片上緩存頻繁訪問(wèn)的數(shù)據(jù)在大多數(shù)工作負(fù)載中很常見(jiàn)。對(duì)于設(shè)備上的 LLM，這種方法的問(wèn)題在于參數(shù)占用的內(nèi)存空間太大而無(wú)法緩存。以 FP16 或 BF16 等 16 位數(shù)字格式存儲(chǔ)的參數(shù)為 2 個(gè)字節(jié)。即使是最小的“體面”通用大型語(yǔ)言模型也是 LLAMA，至少有 70 億個(gè)參數(shù)。較大的版本質(zhì)量明顯更高。要簡(jiǎn)單地運(yùn)行此模型，需要至少 14GB 的內(nèi)存（16 位精度）。雖然有多種技術(shù)可以減少內(nèi)存容量，例如遷移學(xué)習(xí)、稀疏化和量化，但這些技術(shù)并不是免費(fèi)的，而且會(huì)影響模型的準(zhǔn)確性。

此外，這 14GB 忽略了其他應(yīng)用程序、操作系統(tǒng)以及與激活/kv 緩存相關(guān)的其他開(kāi)銷(xiāo)。這直接限制了開(kāi)發(fā)人員可以用來(lái)部署設(shè)備上 AI 的模型大小，即使他們可以假設(shè)客戶端端點(diǎn)具有所需的計(jì)算能力。在客戶端處理器上存儲(chǔ) 14GB 的參數(shù)在物理上是不可能的。最常見(jiàn)的片上存儲(chǔ)器類(lèi)型是 SRAM，即使在 TSMC 3nm 上，每 100mm^2 也只有約 0.6GB.

作為參考，這與即將推出的 iPhone 15 Pro 的 A17 芯片尺寸大致相同，比即將推出的 M3 小約 25%。此外，該圖沒(méi)有來(lái)自輔助電路、陣列低效、NOC 等的開(kāi)銷(xiāo)。大量本地 SRAM 將無(wú)法用于客戶端推理。諸如 FeRAM 和 MRAM 之類(lèi)的新興存儲(chǔ)器確實(shí)為隧道盡頭的曙光帶來(lái)了一些希望，但它們距離千兆字節(jié)規(guī)模的產(chǎn)品化還有很長(zhǎng)的路要走。

層次結(jié)構(gòu)的下一層是 DRAM。最高端的 iPhone 14 Pro Max 有 6GB 內(nèi)存，但常用 iPhone 有 3GB 內(nèi)存。雖然高端 PC 將擁有 16GB+，但大多數(shù)新銷(xiāo)售的 RAM 為 8GB。典型的客戶端設(shè)備無(wú)法運(yùn)行量化為 FP16 的 70 億參數(shù)模型！

這就提出了問(wèn)題。為什么我們不能在層次結(jié)構(gòu)中再往下一層？我們能否在基于 NAND 的 SSD 而不是 RAM 上運(yùn)行這些模型？

不幸的是，這太慢了。FP16 的 70 億參數(shù)模型需要 14GB/s 的 IO 才能將權(quán)重流式傳輸以生成 1 個(gè)token（~4 個(gè)字符）！最快的 PC 存儲(chǔ)驅(qū)動(dòng)器最多為 6GB/s，但大多數(shù)手機(jī)和 PC 都低于 1GB/s。在 1GB/s 的情況下，在 4 位量化下，可以運(yùn)行的最大模型仍將僅在約 20 億個(gè)參數(shù)的范圍內(nèi)，這是在不考慮任何其他用途的情況下將 SSD 固定在最大值上僅用于 1 個(gè)應(yīng)用案例。

除非你想在普通設(shè)備上等待 7 秒才能吐出半個(gè)字，否則將參數(shù)存儲(chǔ)在存儲(chǔ)器中不是一種選擇。它們必須在 RAM 中。

模型尺寸限制

一般人每分鐘閱讀約 250 個(gè)單詞。作為良好用戶體驗(yàn)的下限，設(shè)備上的 AI 必須每秒生成 8.33 個(gè)tokens，或每 120 毫秒生成一次。熟練的速度讀者可以達(dá)到每分鐘 1,000 個(gè)單詞，因此對(duì)于上限，設(shè)備上的 AI 必須能夠每秒生成 33.3 個(gè)tokens，或每 30 毫秒一次。下表假定平均閱讀速度的下限，而不是速讀。

如果我們保守地假設(shè)正常的非 AI 應(yīng)用程序以及激活/kv 緩存消耗所有帶寬的一半，那么 iPhone 14 上最大的可行模型大小是約 10 億個(gè) FP16 參數(shù)，或約 40 億個(gè) int4 參數(shù)。這是基于智能手機(jī)的 LLM 的基本限制。任何更大的產(chǎn)品都會(huì)排除很大一部分安裝基礎(chǔ)，以至于無(wú)法采用。

這是對(duì)本地 AI 可以變得多大和強(qiáng)大的基本限制?；蛟S像蘋(píng)果這樣的公司可以利用它來(lái)追加銷(xiāo)售更新、更昂貴、配備更先進(jìn)人工智能的手機(jī)，但這還有一段時(shí)間。根據(jù)與上述相同的假設(shè)，在 PC 上，英特爾的頂級(jí)第 13 代CPU 和蘋(píng)果的 M2 的上限約為 30 到 40 億個(gè)參數(shù)。

一般來(lái)說(shuō)，這些只是消費(fèi)設(shè)備的下限。重復(fù)一遍，我們忽略了多個(gè)因素，包括使用理論 IO 速度（這是從未達(dá)到過(guò)的）或?yàn)楹?jiǎn)單起見(jiàn)激活/kv 緩存。這些只會(huì)進(jìn)一步提高帶寬要求，并進(jìn)一步限制模型尺寸。我們將在下面詳細(xì)討論明年將出現(xiàn)的創(chuàng)新硬件平臺(tái)，這些平臺(tái)可以幫助重塑格局，但內(nèi)存墻限制了大多數(shù)當(dāng)前和未來(lái)的設(shè)備。為什么服務(wù)器端 AI 獲勝

由于極端的內(nèi)存容量和帶寬要求，生成式 AI比之前的任何其他應(yīng)用程序更受內(nèi)存墻的影響。在客戶端推理中，對(duì)于生成文本模型，批量大小(batch size)幾乎始終為 1。每個(gè)后續(xù)標(biāo)記都需要輸入先前的標(biāo)記/提示，這意味著每次從內(nèi)存中將參數(shù)加載到芯片上時(shí)，您只需攤銷(xiāo)成本僅為 1 個(gè)生成的token加載參數(shù)。沒(méi)有其他用戶可以傳播這個(gè)瓶頸。內(nèi)存墻也存在于服務(wù)器端計(jì)算中，但每次加載參數(shù)時(shí)，它都可以分?jǐn)偟綖槎鄠€(gè)用戶生成的多個(gè)tokens（批量大?。篵atch size）。

我們的數(shù)據(jù)顯示，HBM 內(nèi)存的制造成本幾乎是服務(wù)器級(jí) AI 芯片（如 H100 或 TPUv5）的一半。雖然客戶端計(jì)算確實(shí)可以使用便宜得多的 DDR 和 LPDDR 內(nèi)存（每 GB 約 4 倍），但內(nèi)存成本無(wú)法通過(guò)多個(gè)并發(fā)推理進(jìn)行分?jǐn)偂Ｅ看笮〔荒軣o(wú)限大，因?yàn)檫@會(huì)引入另一個(gè)難題，即任何單個(gè)token都必須等待所有其他token處理完畢，然后才能附加其結(jié)果并開(kāi)始生成新token。

這是通過(guò)將模型拆分到多個(gè)芯片來(lái)解決的。上圖是生成 20 個(gè)token的延遲。方便的是，PaLM 模型達(dá)到每秒 6.67 個(gè)標(biāo)記，或每分鐘約 200 個(gè)單詞的最小可行目標(biāo)，其中 64 個(gè)芯片以 256 的批大小運(yùn)行推理。這意味著每次加載參數(shù)時(shí)，它會(huì)用于 256 個(gè)不同的推論。

FLOPS 利用率隨著批處理大小的增加而提高，因?yàn)镕LOPS ，內(nèi)存墻正在得到緩解。只有將工作分配到更多芯片上，才能將延遲降低到一個(gè)合理的水平。即便如此，也只有 40% 的 FLOPS 被使用。谷歌展示了 76% 的 FLOPS 利用率，PaLM 推理的延遲為 85.2 秒,因此 so 內(nèi)存墻顯然仍然是一個(gè)重要因素。

所以服務(wù)器端的效率要高得多，但是本地模型可以擴(kuò)展到什么程度呢？