AI推理速度提升超10倍，Groq LPU能否取代英偉達GPU？

2月20日消息，美國人工智能初創(chuàng)公司Groq最新推出的面向云端大模型的推理芯片引發(fā)了業(yè)內(nèi)的廣泛關(guān)注。其最具特色之處在于，采用了全新的Tensor Streaming Architecture (TSA) 架構(gòu)，以及擁有超高帶寬的SRAM，從而使得其對于大模型的推理速度提高了10倍以上，甚至超越了英偉達的GPU。

推理速度是英偉達GPU的10倍，功耗僅1/10

據(jù)介紹，Groq的大模型推理芯片是全球首個LPU（Language Processing Unit）方案，是一款基于全新的TSA 架構(gòu)的Tensor Streaming Processor (TSP) 芯片，旨在提高機器學習和人工智能等計算密集型工作負載的性能。

雖然Groq的LPU并沒有采用更本高昂的尖端制程工藝，而是選擇了14nm制程，但是憑借自研的TSA 架構(gòu)，Groq LPU 芯片具有高度的并行處理能力，可以同時處理數(shù)百萬個數(shù)據(jù)流，并該芯片還集成了230MB容量的SRAM來替代DRAM，以保證內(nèi)存帶寬，其片上內(nèi)存帶寬高達80TB/s。

根據(jù)官方的數(shù)據(jù)顯示，Groq的LPU芯片的性能表現(xiàn)相當出色，可以提供高達1000 TOPS (Tera Operations Per Second) 的計算能力，并且在某些機器學習模型上的性能表現(xiàn)可以比常規(guī)的 GPU 和 TPU 提升10到100倍。

Groq表示，基于其LPU芯片的云服務器在Llama2或Mistreal模型在計算和響應速度上遠超基于NVIDIA AI GPU的ChatGPT，其每秒可以生成高達500個 token。相比之下，目前ChatGPT-3.5的公開版本每秒只能生成大約40個token。由于ChatGPT-3.5主要是基于NVIDIA的GPU，也就是說，Groq LPU芯片的響應速度達到了NVIDIA GPU的10倍以上。Groq表示，相對于其他云平臺廠商的大模型推理性能，基于其LPU芯片的云服務器的大模型推理性能最終實現(xiàn)了比其他云平臺廠商快18倍。

另外，在能耗方面，英偉達GPU需要大約10到30焦耳才能生成響應中的tokens，而Groq LPU芯片僅需1到3焦耳，在推理速度大幅提升10倍的同時，其能耗成本僅有英偉達GPU的十分之一，這等于是性價比提高了100倍。

Groq公司在演示中展示了其芯片的強大性能，支持Mistral AI的Mixtral8x7B SMoE，以及Meta的Llama2的7B和70B等多種模型，支持使用4096字節(jié)的上下文長度，并可直接體驗Demo。不僅如此，Groq還喊話各大公司，揚言在三年內(nèi)超越英偉達。目前該公司的LPU推理芯片在第三方網(wǎng)站上的售價為2萬多美元，低于NVIDIA H100的2.5-3萬美元。

資料顯示，Groq 是一家成立于2016年人工智能硬件初創(chuàng)公司，核心團隊來源于谷歌最初的張量處理單元（TPU）工程團隊。Groq 創(chuàng)始人兼CEO Jonathan Ross是谷歌TPU項目的核心研發(fā)人員。該公司硬件工程副總裁Jim Miller 曾是亞馬遜云計算服務AWS設(shè)計算力硬件的負責人，還曾在英特爾領(lǐng)導了所有 Pentium II 工程。目前該公司籌集了超過 6200 萬美元。

為何采用大容量SRAM？

Groq LPU芯片與大多數(shù)其他初創(chuàng)公司和現(xiàn)有的AI處理器有著截然不同的時序指令集計算機（Temporal Instruction Set Computer）架構(gòu)，它被設(shè)計為一個強大的單線程流處理器，配備了專門設(shè)計的指令集，旨在利用張量操作和張量移動，使機器學習模型能夠更有效地執(zhí)行。該架構(gòu)的獨特之處在于執(zhí)行單元、片內(nèi)的SRAM內(nèi)存和其他執(zhí)行單元之間的交互。它無需像使用HBM（高帶寬內(nèi)存）的GPU那樣頻繁地從內(nèi)存中加載數(shù)據(jù)。

Groq 的神奇之處不僅在于硬件，還在于軟件。軟件定義的硬件在這里發(fā)揮著重要作用。Groq 的軟件將張量流模型或其他深度學習模型編譯成獨立的指令流，并提前進行高度協(xié)調(diào)和編排。編排來自編譯器。它提前確定并計劃整個執(zhí)行，從而實現(xiàn)非常確定的計算?！斑@種確定性來自于我們的編譯器靜態(tài)調(diào)度所有指令單元的事實。這使我們無需進行任何激進的推測即可公開指令級并行性。芯片上沒有分支目標緩沖區(qū)或緩存代理，”Groq 的首席架構(gòu)師 Dennis Abts 解釋道。Groq LPU芯片為了追求性能最大化，因此添加了更多SRAM內(nèi)存和執(zhí)行塊。

SRAM全名為“靜態(tài)隨機存取存儲器”（Static Random-Access Memory）是隨機存取存儲器的一種。所謂的“靜態(tài)”，是指這種存儲器只要保持通電，里面儲存的數(shù)據(jù)就可以恒常保持。相對之下，動態(tài)隨機存取存儲器（DRAM）里面所儲存的數(shù)據(jù)則需要周期性地更新。自SRAM推出60多年來，其一直是低延遲和高可靠性應用的首選存儲器，

事實上，對于 AI/ML 應用來說，SRAM 不僅僅具有其自身的優(yōu)勢?！癝RAM 對于 AI 至關(guān)重要，尤其是嵌入式 SRAM，它是性能最高的存儲器，可以將其直接與高密度邏輯核心集成在一起。目前SRAM也是被諸多CPU集成在片內(nèi)（更靠近CPU計算單元），作為CPU的高速緩存，使得CPU可以更直接、更快速的從SRAM中獲取重要的數(shù)據(jù)，無需去DRAM當中讀取。只不過，當前旗艦級CPU當中的SRAM容量最多也僅有幾十個MB。

Groq之所以選擇使用大容量的 SRAM來替代DRAM 內(nèi)存的原因主要有以下幾點：

1、SRAM 內(nèi)存的訪問速度比 DRAM 內(nèi)存快得多，這意味著 LPU 芯片更快速地處理數(shù)據(jù)，從而提高計算性能。

2、SRAM 內(nèi)存沒有 DRAM 內(nèi)存的刷新延遲，這意味著LPU芯片也可以更高效地處理數(shù)據(jù)，減少延遲帶來的影響。

3、SRAM 內(nèi)存的功耗比 DRAM 內(nèi)存低，這意味著LPU芯片可以更有效地管理能耗，從而提高效率。

但是，對于SRAM來說，其也有著一些劣勢：

1、面積更大：在邏輯晶體管隨著CMOS工藝持續(xù)微縮的同時，SRAM的微縮卻十分的困難。事實上，早在 20nm時代，SRAM 就無法隨著邏輯晶體管的微縮相應地微縮。

2、容量小：SRAM 的容量比 DRAM 小得多，這是因為每個bit的數(shù)據(jù)需要更多的晶體管來存儲，再加上SRAM的微縮非常困難，使得相同面積下，SRAM容量遠低于DRAM等存儲器。這也使得SRAM在面對需要存儲大量數(shù)據(jù)時的應用受到了限制。

3、成本高：SRAM 的成本比 DRAM要高得多，再加上相同容量下，SRAM需要更多的晶體管來存儲數(shù)據(jù)，這也使得其成本更高。

總的來說，雖然SRAM 在尺寸、容量和成本等方面具有一些劣勢，這些劣勢限制了其在某些應用中的應用，但是 SRAM 的訪問速度比 DRAM 快得多，這使得它在某些計算密集型應用中表現(xiàn)得非常出色。Groq LPU 芯片采用的大容量 SRAM 內(nèi)存可以提供更高的帶寬（高達80TB/s）、更低的功耗和更低的延遲，從而提高機器學習和人工智能等計算密集型工作負載的效率。

那么，與目前AI GPU當中所搭載的 HBM 內(nèi)存相比，Groq LPU 芯片集成的 SRAM 內(nèi)存又有何優(yōu)勢和劣勢呢？

Groq LPU 芯片的 SRAM 內(nèi)存容量雖然有230MB，但是相比之下AI GPU 中的 HBM 容量通常都有數(shù)十GB（比如NVIDIA H100，其集成了80GB HBM），這也意味著LPU 芯片可能無法處理更大的數(shù)據(jù)集和更復雜的模型。相同容量下，SRAM的成本也比HBM更高。 不過，與HBM 相比，Groq LPU 芯片的所集成的 SRAM 的仍然有著帶寬更快（NVIDIA H100的HBM帶寬僅3TB/s）、功耗更低、延遲更低的優(yōu)勢。

能否替代NVIDIA H00？

雖然Groq公布的數(shù)據(jù)似乎表明，其LPU芯片的推理速度達到了NVIDIA GPU的10倍以上，并且能耗成本僅是它十分之一，等于是性價比提高了100倍。但是，Groq并且明確指出其比較的是NVIDIA的哪款GPU產(chǎn)品。由于目前NVIDIA最主流的AI GPU是H100，因此，我們就拿NVIDIA H100來與Groq LPU來做比較。

由于Groq LPU只有230MB的片上SRAM來作為內(nèi)存，因此，如果要運行Llama-2 70b模型，即使將Llama 2 70b量化到INT8精度，仍然需要70GB左右的內(nèi)存，即使完全忽略內(nèi)存消耗，也需要305張Groq LPU加速卡才夠用。如果考慮到內(nèi)存消耗，可能需要572張Groq LPU加速卡。官方數(shù)據(jù)顯示，Groq LPU的平均功耗為185W，即使不計算外圍設(shè)備的功耗，572張Groq LPU加速卡的總功耗也高達105.8kW。假設(shè)一張Groq LPU加速卡的價格為2萬美元，因此，購買572張卡的成本高達1144萬美元（規(guī)模采購價格應該可以更低）。

根據(jù)人工智能科學家賈揚清分享的數(shù)據(jù)顯示，目前，數(shù)據(jù)中心每月每千瓦的平均價格約為20美元，這意味著572張Groq LPU加速卡每年的電費為105.8*200*12=25.4萬美元。

賈揚清還表示，使用4張NVIDIA H100加速卡就可以實現(xiàn)572張Groq LPU一半的性能，這意味著一個8張H100的服務器的性能大致相當于572張Groq LPU。而8張H100加速卡的標稱最大功率為10kW（實際上約為8-9千瓦），因此一年電費為僅24000美元或略低。現(xiàn)在一個8張H100加速卡的服務器的價格約為30萬美元。

顯然，相比較之下，在運行相同的INT8精度的Llama-2 70b模型時，NVIDIA H00的實際性價比要遠高于Groq LPU。

即使我們以FP16精度的Llama-2 7b模型來比較，其最低需要14GB的內(nèi)存來運行，需要約70張Groq LPU加速卡才能夠部署，按照單卡FP16算力188TFLOPs計算，其總算力將達到約13.2PFLOPs。這么強的算力只是用來推理Llama-2 7b模型屬實有些浪費。相比之下，單個NVIDIA H100加速卡，其集成的80GB HMB就足夠部署5個FP16精度的Llama-2 7b模型，而H100在FP16算力約為2PFLOPs。即使要達到70張Groq LPU加速卡相同的算力，只需要一臺8卡NVIDIA H100服務器就能夠達到。

單從硬件成本上來計算，70張Groq LPU加速卡成本約140萬美元，一個8張H100加速卡的服務器的價格約為30萬美元，顯然，對于運行FP16精度的Llama-2 7b模型來說，采用NVIDIA H100的性價比也是遠高于Groq LPU。

當然，這并不是說Groq LPU相對于NVIDIA H100來說毫無優(yōu)勢，正如前面所介紹的那樣，Groq LPU的主要優(yōu)勢在于其采用了大容量的SRAM內(nèi)存，擁有80TB/s的超高的內(nèi)存帶寬，使得其非常適合于較小的模型且需要頻繁從內(nèi)存訪問數(shù)據(jù)的應用場景。當然，其缺點則在于SRAM的內(nèi)存容量較小，要運行大模型，就需要更多的Groq LPU。那么，Groq LPU能否進一步提升其SRAM內(nèi)存容量來彌補這一缺點呢？答案當然是可以，但是，這將會帶來Groq LPU面積和成本的大幅增加，并且也會帶來功耗方面的問題?；蛟S未來Groq可能會考慮，加入HBM/DRAM來提升 LPU的適應性。

編輯：芯智訊-浪客劍