車載大模型分析揭示:存儲(chǔ)帶寬對(duì)性能影響遠(yuǎn)超算力

車載大模型的定義尚無，傳統(tǒng)大模型即LLM的參數(shù)一般在70億至2000億之間，而早期的CNN模型參數(shù)通常不到1000萬，CNN模型目前大多做骨干網(wǎng)使用，參數(shù)飛速增加。特斯拉使用META的RegNet，參數(shù)為8400萬，消耗運(yùn)算資源很少，得分82.9也算不低；小米UniOcc使用META的ConvNeXt-B，參數(shù)8900萬，消耗運(yùn)算資源最少，得分83.8；華為RadOcc使用微軟的Swin-B，參數(shù)8800萬。相對(duì)于早期的CNN模型，這些都可以叫大模型，但要與真正意義上的ChatGPT之類的LLM大模型比，這些是小模型都稱不上，只能叫微模型。

不過，端到端的出現(xiàn)改變了這一現(xiàn)狀，端到端實(shí)際上是內(nèi)嵌了一個(gè)小型LLM，隨著喂養(yǎng)數(shù)據(jù)的增加，這個(gè)大模型的參數(shù)會(huì)越來越大，最初階段的模型大小大概是100億參數(shù)，不斷迭代，最終會(huì)達(dá)到1000億以上。非安全類的大模型應(yīng)用基本不用考慮計(jì)算問題，所以只要是個(gè)手機(jī)都敢說能跑數(shù)百億的大模型，實(shí)際很多算力不如手機(jī)的電腦也能跑，因?yàn)檠舆t多幾秒幾十秒也沒有問題，但自動(dòng)駕駛必須將延遲降低到幾十毫秒內(nèi)。但你要以為這對(duì)算力要求更高了，那就大錯(cuò)特錯(cuò)了，存儲(chǔ)帶寬遠(yuǎn)比算力重要千倍。

當(dāng)前的主流 LLM 基本都是Decoder Only的Transformer模型，其推理過程可分為兩個(gè)階段：

圖片來源：論文 A Survey on Efficient Inference for Large Language Models

Prefill：根據(jù)輸入Tokens（Recite, the, first, law, of, robotics） 生成第一個(gè)輸出 Token（A），通過一次Forward就可以完成，在Forward中，輸入Tokens間可以并行執(zhí)行（類似 Bert這些Encoder模型），因此執(zhí)行效率很高。

Decoding：從生成第一個(gè)Token（A）之后開始，采用自回歸方式一次生成一個(gè)Token，直到生成一個(gè)特殊的Stop Token（或者滿足用戶的某個(gè)條件，比如超過特定長度）才會(huì)結(jié)束，假設(shè)輸出總共有N個(gè)Token，則Decoding階段需要執(zhí)行N-1次Forward，這N-1次Forward 只能串行執(zhí)行，效率很低。另外，在生成過程中，需要關(guān)注的Token越來越多（每個(gè)Token 的生成都需要Attention之前的Token），計(jì)算量也會(huì)適當(dāng)增大。

LLM推理計(jì)算過程時(shí)間分布

圖片來源：論文Memory Is All You Need: An Overview of Compute-in-Memory Architectures for Accelerating Large Language Model Inference

在車載自動(dòng)駕駛應(yīng)用場(chǎng)合，序列長度基本可等同于攝像頭的像素?cái)?shù)量和激光雷達(dá)的點(diǎn)云密度。

圖片來源：論文Memory Is All You Need: An Overview of Compute-in-Memory Architectures for Accelerating Large Language Model Inference

在 LLM 推理中最關(guān)鍵的就是上圖中的Multi-Head Attention（MHA），其主要的計(jì)算集中在左圖中灰色的 Linear（矩陣乘）和Scaled Dot-Product Attention中的MatMul 矩陣乘法。

圖中的Mask是一個(gè)下三角矩陣，也是因?yàn)檫@個(gè)下三角矩陣實(shí)現(xiàn)了LLM Decoder的主要特性，每個(gè)Token都只能看到當(dāng)前位置及之前的Token。其中的QKV可以理解為一個(gè)相關(guān)性矩陣，4個(gè)Token對(duì)應(yīng)4 個(gè)Step，其中：

Step 2依賴Step 1的結(jié)果，相關(guān)性矩陣的第1行不用重復(fù)計(jì)算。

Step 3依賴Step 1和Step 2的結(jié)果，相關(guān)性矩陣的第1行和第2行不用重復(fù)計(jì)算。

Step 4依賴Step 1、Step 2和Step 3的結(jié)果，相關(guān)性矩陣的第1行、第2行和第3行不用重復(fù)計(jì)算。

在Decoding階段Token是逐個(gè)生成的，上述的計(jì)算過程中每次都會(huì)依賴之前的結(jié)果，換句話說這是串行計(jì)算，而非GPU擅長的并行計(jì)算，GPU大部分時(shí)候都在等待數(shù)據(jù)搬運(yùn)。加速的辦法是計(jì)算當(dāng)前Token時(shí)直接從KV Cache中讀取而不是重新計(jì)算，對(duì)于通用LLM，應(yīng)用場(chǎng)景是要考慮多個(gè)并發(fā)客戶使用，即Batch Size遠(yuǎn)大于1，KV Cache的緩存量會(huì)隨著Batch Size暴增，但在車?yán)镉脩糁挥幸粋€(gè)，就是自動(dòng)駕駛端到端大模型，即Batch Size為1。

因?yàn)镈ecoding階段Token逐個(gè)處理，使用KV Cache之后，上面介紹的Multi-Head Attention 里的矩陣乘矩陣操作全部降級(jí)為矩陣乘向量即GEMV。此外，Transformer模型中的另一個(gè)關(guān)鍵組件FFN 中主要也包含兩個(gè)矩陣乘法操作，但 Token之間不會(huì)交叉融合，也就是任何一個(gè)Token都可以獨(dú)立計(jì)算，因此在Decoding階段不用Cache之前的結(jié)果，但同樣會(huì)出現(xiàn)矩陣乘矩陣操作降級(jí)為矩陣乘向量。Prefill階段則是GEMM，矩陣與矩陣的乘法。

矩陣乘向量操作是明顯的訪存bound，而以上操作是LLM推理中最主要的部分，這也就導(dǎo)致LLM推理是訪存bound類型。

三星對(duì)GPT大模型workload分析

圖片來源：SAMSUNG

上圖是三星對(duì)GPT大模型workload分析。在運(yùn)算操作數(shù)量上，GEMV所占的比例高達(dá)86.53%；在大模型運(yùn)算延遲分析上，82.27%的延遲都來自GEMV，GEMM所占只有2.12%，非線性運(yùn)算也就是神經(jīng)元激活部分占的比例也遠(yuǎn)高于GEMM。

三星對(duì)GPU利用率的分析

圖片來源：SAMSUNG

上圖是三星對(duì)GPU利用率的分析，可以看出在GEMV算子時(shí)，GPU的利用率很低，一般不超過20%，換句話說80%的時(shí)間GPU都是在等待存儲(chǔ)數(shù)據(jù)的搬運(yùn)。還有如矩陣反轉(zhuǎn)，嚴(yán)格地說沒有任何運(yùn)算，只是存儲(chǔ)行列對(duì)調(diào)，完全是存儲(chǔ)器和CPU在忙活。解決辦法很簡(jiǎn)單且只有一個(gè)，就是用HBM高寬帶內(nèi)存。

與傳統(tǒng)LLM最大不同就是車載的Batch Size是1，導(dǎo)致GPU運(yùn)算效率暴跌，傳統(tǒng)LLM的Batch Size通常遠(yuǎn)大于1，這讓GPU效率增加。

圖片來源：論文SARATHI: Effcient LLM Inference by Piggybacking Decodes with Chunked Preflls

圖上不難看出，Batch Size越大，推理速度反而越快，但KV Cache容量會(huì)暴增；車載的Batch Size是1，推理速度反而很慢，好處是根本不用考慮KV Cache的容量。

最終我們可以得出結(jié)論，存儲(chǔ)帶寬決定了推理計(jì)算速度的上限。假設(shè)一個(gè)大模型參數(shù)為70億，按照車載的INT8精度，它所占的存儲(chǔ)是7GB，如果是英偉達(dá)的RTX4090，它的顯存帶寬是1008GB/s，也就是每7毫秒生成一個(gè)token，這個(gè)就是RTX4090的理論速度上限。特斯拉第一代FSD芯片的存儲(chǔ)帶寬是63.5GB/s，即每110毫秒生成一個(gè)token，幀率不到10Hz，自動(dòng)駕駛領(lǐng)域一般圖像幀率是30Hz；英偉達(dá)的Orin存儲(chǔ)帶寬是204.5GB/s，即每34毫秒生成一個(gè)token，勉強(qiáng)可以達(dá)到30Hz，注意這只是計(jì)算的數(shù)據(jù)搬運(yùn)所需要的時(shí)間，數(shù)據(jù)計(jì)算的時(shí)間都完全忽略了，實(shí)際速度要遠(yuǎn)低于這個(gè)數(shù)據(jù)。并且一個(gè)token也不夠用，至少需要兩個(gè)token，端到端的最終輸出結(jié)果用語言描述就是一段軌跡，比如直行，直行需要有個(gè)限制條件，至少有個(gè)速度的限制條件，多的可能需要5個(gè)以上token，簡(jiǎn)單計(jì)算即可得出存儲(chǔ)帶寬需要1TB/s以上。

實(shí)際情況遠(yuǎn)比這個(gè)復(fù)雜的多。車載領(lǐng)域不是傳統(tǒng)LLM使用CPU和GPU分離形式，車載領(lǐng)域的計(jì)算SoC都是將CPU和AI運(yùn)算部分合二為一，AI運(yùn)算部分通常是GPU或加速器是和CPU共享內(nèi)存的。而在非車載領(lǐng)域，GPU或AI運(yùn)算部分有獨(dú)立的存儲(chǔ)，即顯存。車載領(lǐng)域共享內(nèi)存一般是LPDDR，它主要是為CPU設(shè)計(jì)的，注重速度即頻率而非帶寬。不像顯存，一般是GDDR或HBM，注重帶寬，不看重頻率高低。上述所有理論都是基于顯存的，在車載領(lǐng)域共享LPDDR，其性能遠(yuǎn)遠(yuǎn)低于單獨(dú)配置的顯存，無論是速度還是容量，共享存儲(chǔ)都必須遠(yuǎn)比單獨(dú)的顯存要高才能做到大模型推理計(jì)算。

理想用英偉達(dá)Orin做了測(cè)試，純端到端模式延遲高達(dá)1.5秒。

圖片來源：論文DRIVEVLM: The Convergence of Autonomous Driving and Large Vision-Language Models

所以車載領(lǐng)域存儲(chǔ)比算力重要很多，最好的解決辦法是HBM，但太貴了，32GB HBM2最低成本也得2000美元，汽車領(lǐng)域?qū)r(jià)格還是比較敏感的，退而求其次，就是GDDR了。GDDR6的成本遠(yuǎn)低于HBM，32GB GDDR6大概只要180美元或更低。

幾代GDDR的性能對(duì)比

整理：佐思汽研

基本上GDDR6的理論上限就是672GB/s，特斯拉第二代FSD芯片就支持第一代GDDR6，HW4.0上的GDDR6容量為32GB，型號(hào)為MT61M512M32KPA-14，頻率1750MHz（LPDDR5最低也是3200MHz之上），是第一代GDDR6，速度較低。即使用了GDDR6，要流暢運(yùn)行百億級(jí)別的大模型，還是無法實(shí)現(xiàn)，不過已經(jīng)是目前最好的了。

GDDR7正式標(biāo)準(zhǔn)在2024年3月公布，不過三星在2023年7月就發(fā)布了全球首款GDDR7，目前SK Hynix和美光也都有GDRR7產(chǎn)品推出。有些人會(huì)說，換上GDDR7顯存不就行了，當(dāng)然沒那么容易，GDDR需要特殊的物理層和控制器，芯片必須內(nèi)置GDDR的物理層和控制器才能用上GDDR，Rambus和新思科技都有相關(guān)IP出售。

圖片來源：網(wǎng)絡(luò)

在芯片領(lǐng)域，GDDR7增加的成本和LPDDR5X一樣的。

特斯拉的HW4.0過了一年半毫無動(dòng)作，筆者認(rèn)為特斯拉的第二代FSD芯片顯然是落伍了，特斯拉也不打算大規(guī)模用了，特斯拉的第三代FSD芯片應(yīng)該正在開發(fā)中，可能2025年底就完成開發(fā)，至少支持GDDR6X。

大模型時(shí)代，Attention Is All You Need，同樣大模型時(shí)代 Memory Is All You Need。