AI芯片专用好还是通用好？遥想20年前GPU也面临这一抉择 —

shuszhao

MIT(麻省理工学院)2018年11月曾发表一篇题为《通用技术计算机的衰落：为何深度学习和摩尔定律的终结正致使计算碎片化》的论文。此文详细论述了在摩尔定律放缓的当下，通用处理器的性能和能效比提升速度越来越缓慢，无以承载应用场景对性能的进一步渴求。所以时代开始越来越偏向针对具体应用场景定制专用处理器的路径，唯有具体场景具体定制，才能够让能效比达到极致。

这也就是Jim Keller曾经提到的“domain-specific”针对具体场景的特定芯片。这个略具“时代革命”气质的判断，一般认为是以2012年AlexNet刷新图像识别正确率事件为分界线的：当时深度学习还不像如今这般普及，AlexNet极具突破性地选择GPU来加速整个图像识别过程，赢得了当年ImageNet视觉识别挑战赛冠军。很快，深度学习借助GPU高度并行、大存储的特性，开始应用于语音识别、机器翻译等领域。　　毫无疑问，GPU成为了“专用处理器”的雏形，机器学习则推动了专用处理器“革命”的步伐。2013年，谷歌正式推出TPU，这是个窄化到仅针对卷积神经网络(CNN)做计算的ASIC，它能够体现针对特定领域“专用处理器”的优越性，并无视摩尔定律的放缓。从某种角度来看，TPU在做的就是“架构革命”，革的是通用处理器(或具有通用计算特性的芯片)的命。
OpenAI 2018年年终发布了一份名为《AI 与计算》的分析报告，其中的数据提到，自2012 年以来AI训练任务应用的算力需求每3.5个月就会翻倍；AI算力增长超过30万倍— 这就比摩尔定律快太多了。以AI领域为“专用计算”的典范，看起来ASIC即将成为拯救人类未来的英雄，因为针对特定场景的ASIC，才能够达到性能与能效比的极致，尤其是在摩尔定律放缓，以及登纳德比例缩放定律失效的当下。然而实际情况好像比我们想象得复杂。

GPU的那段往事


在MIT的语境中，“专用处理器”其实未必是指ASIC，FPGA也可以实现专用：数据中心加速卡即是其中一个例证；软件定义芯片(SDC)也能以“专用”的方式应用到工业领域；GPU应用在AI训练方面如今依然十分普遍。然而在众所周知的“计算引擎选择(Computing Engine Choices)”图上，ASIC的确在横轴的性能、能效、芯片面积这几个方面表现最优。

                               
登录/注册后可看大图

不过ASIC的问题也非常显著，即其灵活性或可编程性最差。具体反映到AI芯片上，一种算法只能应对一种应用；一颗AI芯片只能单一地解决一种问题；而算法在不断演变，每3~6个月就可能变一次；AI芯片或许尚未上市，算法就已经发生进化了。这是ASIC型AI芯片的尴尬之处。或许某些偏应用层的企业并不在意，比如谷歌TPU虽然只能做一件事，但它带来的创收依然是不可限量的。　　
在针对某些非常具体的应用场景里，灵活性也可能并没有那么重要，所以如今在AI专用加速方面的产品除了谷歌TPU以外，还有如NVIDIA DLA、Intel  Nervana、特斯拉FSD等。谷歌TPU和特斯拉FSD采用的都是一种名为脉动阵列(Systolic Array)的“古老”技术。这是一种固化、专用的电路，通过内部连线、内部PE 整合、固定时钟周期输入数据，实现卷积操作。所以不难发现，谷歌TPU和特斯拉FSD都能轻易做到相较GPU，性能和效率都高出一截的表现，即便这是以牺牲可编程性为代价的。到这里，处理器的通用与专用之争，似乎就快出结论了。　　
但在这个AI芯片发展的初级阶段，我们大致上或许能够找到另外一个参考：GPU的发展历史。狭义的GPU似乎就是用来做图形加速计算的，它很多时候被我们归类为专用处理器。　　实际上，在上世纪90年代GPU发展的初级阶段，它的确是完完全全的ASIC。在那个时间点，技术和制程都远不如现在先进，图形渲染追求极致性能必须选择ASIC—彻头彻尾的专用硬件；而且从市场特点来看，也和当前的AI芯片市场一样，彼时涌现出了大量GPU初创公司。
但从本世纪初开始，GPU出现弱编程特性— 这是因为图形加速行业飞速发展，当时的图形渲染算法变化速度和现在的AI/ML算法迭代速度可类比，那些固化的“绝对专用”的GPU无法适应这种变化；而在近10年，英伟达的GPGPU(General  Purpose  GPU)概念已经成为一种常态，GPU中的shader通用核心变得很重要。GPU在某些领域内变得“通用”， 它不仅能玩游戏，还能加速视频渲染、做科学分析、实现AI加速。　　当硬件更多的需要与软件生态挂钩时，市场大多数参与者便会倒下。在竞争清理过后，GPU形成了如今的双寡头市场，并且步入相当成熟的阶段。

当AI芯片走向“通用”


为什么GPU最终没有朝着性能和能效比更高的ASIC方向发展？除了前述图形渲染算法变迁带来GPU走向可编程甚至通用的必然，要知道GPU是享受摩尔定律最尖端技术的最大受益者之一。而最先进制程的成本攀升，要求GPU市场规模足够大，否则难以摊薄成本。　　所以GPU走出图形计算的单一市场，开始跨界AI等更多领域，GPGPU编程也就十分常见了。ASIC本身的成本、灵活性缺失，以及应用范围很窄的特点，都导致它无法采用最先进制程： 即便它们具备性能和能效优势，一旦无法采用最先进制程，则这一优势也将不再明显。　　
这段GPU的发展史能否给予我们一些启示？ 在AI芯片领域，除了前文提到的谷歌TPU、特斯拉FSD之外，实际已经有一些AI芯片产品具备了弱编程特性，典型的如华为腾、Graphcore的IPU；包括在边缘AI计算领域，Arm前不久推出的NPU IP，都强调一定的灵活性。   在我们采访Graphcore创始人兼CEO Nigel Toon时，他特别提到：“很多人认为，人工智能是场景驱动的，ASIC能够实现更高的效率。
但我不这么看：不管是什么样的神经网络，不管是何种应用，最后的底层都会表征成一个计算图(graphs)，不管是处理图片也好，语言也好，最后就是个计算图。IPU就是用于处理计算图的。”　　“对于AI，我认为有三类解决方案。第一类是比较简单的小型化加速产品，用于手机、摄像设备等产品中。”Toon告诉我们。这类产品典型如海思麒麟芯片内部的NPU单元。“第二类是ASIC，对一些超大规模的公司而言，有某一类具体的问题要解决，比如谷歌的TPU，它用数学加速器来解决具体的问题；第三类是可编程处理器，这个市场的主体如今仍是GPU， 但Graphcore未来也会有巨大的份额，我们做的也是非常灵活的处理器。”　
Toon认为，IPU有机会替代GPU，形成截至目前最大的细分市场：“我们接触过的所有创新者都说，GPU正在阻碍他们创新。如果仔细看他们正在研究的模型类型，你会发现主要是卷积神经网络(CNN)，而递归神经网络(RNN)和其他类型结构，比如强化学习，并不能很好地映射到GPU。他们需要足够好的硬件平台，这是我们将IPU推向市场的原因。”Graphcore的CTO(首席技术官)Simon Knowles早前曾说过：“机器智能(machine intelligence，这是Graphcore的提法，亦即人工智能)毫无疑问是计算的未来，但它还很年轻， 发展也很快。所以将如今最流行的模型或学习算法放进固定硬件中、构建ASIC会是比较愚蠢的方式。支持潜在的智能新特性、当细节发生进化时也具备足够的弹性保证其可用性，是芯片架构必须考虑的。”　　
“ 我们刚开始构想加速智能处理的方案时，我们就很清楚不能只盯着深度神经网络。”Knowles说，“所以我们没有窄化到特定算法，而是考虑作为计算负载，机器智能的基本原则是什么。”　实际上，当前市场上的正在参与竞争的AI 芯片，包括具备一定可编程性的，也并非Graphcore一家。但Arm联合创始人Hermann Hauser先前曾经这样评价过Graphcore：“这在计算机历史上只发生过三次，第一次是70年代的CPU，第二次是9 0年代的GPU，而Graphcore就是第三次革命。他们的芯片是这个世界伟大新架构的一种。”　　
这所谓的“第三次革命”究竟是怎么做的？ 如果我们只把眼光停留在AI芯片如今共有的“高度并行”计算能力上，大概并不能领会IPU在“开创”个芯片类型上究竟有何特殊。而且搞清楚这个问题，也更有助于我们去理解AI芯片的通用和专用之路究竟会怎么走，尤其Toon在访谈中提到的“计算图(graph)”究竟是什么？

                               
登录/注册后可看大图

图2：Nigel Toon从口袋中掏出的一枚IPU

IPU实现通用性的关窍


这个时代，AI芯片厂商都在强调GPU执行AI加速的低效问题，那么GPU究竟有什么问题呢？ 我们知道，“机器智能”对高度并行有着先天的依赖，需要成百上千的核心一起并行。把大量核心(独立的指令流pipeline)放到同一块die上面，以现在的技术实现起来并不难。问题就在于这些核心如何获取指令和数据，核心之间如何连接，如何进行数据共享，最后一点最关键的就是如何易于编程—以实现“通用”，适应当前AI算法发展的速度，以及适配不同的应用场景。　　应对这些问题，首先能想到极为适配的芯片恐怕就是GPU了。不过GPU存在的先天问题在于：GPU的“核心”，概念和CPU还是不一样的。将每个处理器指令流，发往GPU很宽(wide)的矢量数据路径(datapath)时，GPU的并行特性也就没有看起来那么美好了。   
GPU毕竟还是为图形计算设计的，注重的是低维数据结构，是一种宽矢量处理器，对AI的高维数据处理相对低效。图形计算需要较高的精度，这种高精度对于AI加速而言是一种浪费。还有一个重点，GPU的核心间通讯依赖于共享存储，许多数据放在外部存储上，这会造成带宽和延迟的瓶颈：即便后续GPU也引入了多层级缓存(cache)，以及加入HBM(High-Bandwidth Memory)这样昂贵的3D存储结构。但随运算单元增加，这些改良方式也终将捉襟见肘。　　现有的AI芯片着手解决的，实际就是上述这两大问题。市面上许多AI芯片都开始采用低精度、更“窄”的核心，这样整体可以提供更高的计算密度，但它们并没有很好地解决数据存储和核心互联的问题。比如简单的南北、东西互联， 配合数据流执行。片上高并行所需的互联、存储带宽并不理想，另外还存在编程很难的问题。　　
Graphcore认为，解决这个问题应该参考人脑的网络结构。Toon在几年前的一篇文章中提到，剑桥大学的Edward Bullmore教授研究人脑的分形结构(fractal architecture)。人脑中约77%的组成都用于通讯。在哺乳动物大脑进化的过程中，用于通讯的部分体积增长，是快于“功能单元”的，两者比例符合幂次法则。上世纪60年代，IBM的研究人员E.F. Rent发现了电路中，逻辑单元和互联之间也存在类似这种关系。他发现，逻辑电路边缘的输入和输出端数量(T)，与内部逻辑组件数量(C)之间有个恒定关系(t和p是常数)。T  = t  · C p
互联方面的设计需要做出突破，来支持这个所谓的Rent定律，至少在大规模并行芯片中，GPU是没有做到的。在Graphcore看 来，1000个独立并行处理单元之间有效共享数据，是实现“机器智能”高性能和效率的必经之路；与此同时它必须具备简单可编程属性。

                               
登录/注册后可看大图

Graphcore的解决方案，针对存储的问题， 选择了大量芯片面积都用于片上SRAM，相比HBM2这样的片外存储系统，在带宽和延迟方面要快得多。而SRAM被切分成很多块，分布于负责高度并行计算的处理器核心(注：Graphcore并没有采用“核心”的说法，而是称作一个tile或processor，但本文不对此做出区分)之上，这样也能一定程度确保可接受的良率。
“虽然IPU的片上SRAM无法达到GPU DRAM那么大，但至少确保大型、复杂的机器学习模型能够整个跑在芯片上。”Toon表示，“所以单个IPU存储带宽能够达到45TB/s，比性能最快的HBM快50倍以上，相同算力的能耗也降低一半。”两颗IPU则达到了100倍的速度，如上图所示。　　而在互联方面，IPU选择的是一种名为 BSP(Bulk  Synchronous  Parallel，整体同步并行计算)的方案。一颗IPU内部有1200多个核心，如前所述每个都有自己的本地存储—可通过无状态互联(stateless interconnect)来彼此收发message。这种互联方案，让IPU得以支持任意类型的知识模型(knowledge model)和推理算法，包括那些还没有出现在市场上的。　　
到这里，IPU的灵活性已经有所体现了。“计算图的这种静态性，让编译器能够将程序切分成独立的子程序，运行在很多处理器(核心)上。”在这套机制中，就要求有一个方案能够维护整体的程序队列，让子程序之间的message能够在正确的时候发出。这个时候就用到了BSP。  BSP最早是1990年由Leslie Valliant和Bill McColl发明的，其中有“计算阶段(compute phase)”和“交换阶段(exchange phase)”的概念，BSP就在两者间做切换。计算阶段，每颗处理器核心在本地存储中做计算；片上存储之间(memory-to-memory)收发message则在交换阶段进行。IPU有专门的硬件来保证全局同步，包括芯片，甚至是跨芯片的同步，据说有着极小的开销。　　
似乎从设计之初，IPU就预设好了性能与通讯的弹性扩展方案。Graphcore销售副总裁、中国区总经理卢涛告诉我们，不仅是芯片内部的核心通讯，“IPU-Link能够将多个IPU联结到一起，组成集群。所以All-to-All总线之间的BSP算法，不仅是同一个IPU芯片各个核之间，跨芯片的核之间也能通过这个协议总线做通信；更大规模的训练，例如通过以太网，我们有IPU-POD，借由IPU-Gateway芯片，通过IPUoF技术，把几千几万颗IPU连在一起。”亦即我们此前报道的ExaFLOPs级别算力扩展，虽然我们不清楚这中间的通讯效率会受到多大程度的影响。　　简单地说，BSP在整个程序级别构建起了时序机，同时在每一步支持海量并行。而计算与交换阶段的这个序列，就来自于我们前面反复提到的计算图(graph)，由编译器自动得到。所以对开发者来说，不需要关心BSP本身。IPU将计算图程序，映射到高效的高度并行计算中去。

做CPU、GPU之外的“第三类”芯片


到这里，我们就可以具体谈谈前文反复提到的、“Graphcore”这个词汇中的“graph(s)”究竟是什么了。Knowles早年在聊到机器智能工作负载的特殊性时，提过：“无论是人类的智能，还是机器的智能，都包含两个能力。第一是近似计算(approximate computing)，也就是在不大可能有完美答案情况下，高效找出也许还不错的答案—一般是因为信息量、时间和能量都不够充足；第二个能力就是学习，根据经验，也就是先前的数据做出相应变化。”　　“对人类和计算机而言，学习过程就是从以往的数据中提炼出概率分布(模型)，这个模型随后就可用于预测可能的输出。”“从以前的数据来推理出知识模型，然后再通过更多的数据， 在现有已习得模型的基础上推理新的结果。”　　
“知识模型和算法最自然的呈现方式就是计算图(graphs)。计算图是由顶点(vertices)组成的，而顶点则通过边缘(edge)相连。顶点包含模型中可学习的(learnable)参数，以及定义如何更新这些参数的部分代码—也就是对新的输入的响应，还有提供给其他顶点的更多信息。而边缘则定义流经整个模型信息的关系通路。在深度神经网络中，边缘一般是传递张量，而在贝叶斯网络(Bayesian  net)或者马尔可夫随机场(Markov  random  field)中，边缘则负责传递概率分布。”

                               
登录/注册后可看大图

Graphcore将自家的处理器称作“graph processor”。通过机器学习框架构建起计算图模型(computational  graph  models)，而IPU在Graphcore眼中正是操纵这种计算图的理想处理器。下面这张图是完整的AlexNet深度神经网络训练回路(training  loop)，生成自TensorFlow的描述。这张图本身是Graphcore的软件团队对计算图的视觉化呈现。

                               
登录/注册后可看大图

图5：天体物理数据分析中的一个机器学习模型计算图

这种计算图实际拥有的基本特征有很多，这里说几个比较重要的。首先是通常计算图中的顶点会非常多，“经常有上万、上百万乃至更多的顶点”，大部分顶点只连接一小部分其他顶点，这样一来模型就是稀疏的(sparse)—这其实是AI芯片在架构实现上必备的能力，它对存储访问方式，以及核心间的通讯方式是有很大影响的。计算图具备较高的“分形维数(fractal dimensionality)”，IPU的结构决定了它对计算图做处理时具备更细的粒度；而当高纬的计算图嵌入到低维存储的线性地址空间时，顶点相邻连接在内存上就会比较分散，这是GPU一类宽矢量机存在的问题。卢涛表示：“IPU芯片每个tile(核心)里面都有计算单元和片上存储，无论是计算还是待处理的张量(tensor)，都在本地。这种结构，在做稀疏化应用场景时，性能自然会更好。”
其二是知识模型获取的是数据经验的统计近似值(statistical  approximations)。模型通常对带有噪声和不完整的数据进行学习，那么个体的模型参数和激活状态就并不会十分准确。它们组成的整体协同工作，就能给出一个相对高分辨的输出。从运算的角度来看，这就是低精度数据的高性能计算— 这也是如今AI芯片的共同特点。　　另外，计算图结构可以认为是静态的，至少在较长的一段时间里是这样。计算过程中不需要改变知识模型中的连接。对于构建有效的高度并行芯片来说，静态计算图还是非常重要的： 在将并行程序映射到芯片时，编译器更容易做到在核心之间平衡计算工作；分配存储；在核心之间调度message通信。　　
这部分内容看起来显得有些太过抽象和枯燥。实际上真正对上述整个过程做视觉化表征的，是Graphcore的软件框架Poplar。它是针对IPU系统的计算图编程框架。它对前面所说的这种基于计算图的机器学习开发流程做抽象， 对开发者隐藏了底层计算图IPU硬件的复杂性。这也是前面Toon提到，“不管是什么样的神经网络，不管是何种应用，最后的底层都会表征成一个计算图(graphs)”的原因，也是IPU做到通用的基础。

                               
登录/注册后可看大图

和当代的一些开发框架一样，Poplar支持TensorFlow、Pytorch等常见的高层框架编写的应用。Poplar内部有个计算图编译器(graph compiler)，将这些高层机器学习框架所用的标准操作，转译为IPU自身的“高度优化”应用代码。编译器会构建计算图的I R中间层，而计算图如前所述，能够实现IPU核心或者多IPU之间的调度和部署。　　
“Poplar对算法模型、数据模型做处理后，将它映射或分配到处理器的不同位置，定义好什么时候需要交换、什么时候需要同步等。”Toon 表示，“BSP算法，加上Poplar软件栈协同工作，那么虽然每个IPU有1000多个处理器(核心)，7000多个线程(每个核心跑至多6个线程)，也不需要担心通信问题，这中间的通信效率是非常高的。”　　前文已经简单提到了BSP整体同步并行计算。实际在核心的互联、调度上，BSP和Poplar内部的编译器会成为Graphcore宣传中多核“高效”互通，与任务调度的最核心环节。虽然我们并不清楚其中细节，及编译器的转译效率，不过至少Poplar对开发者比较友好，也就是Graphcore时常提到的AI芯片必须具备“易于编程”的特点。Toon甚至强调，这种易于使用的特性，相较FPGA这类型的芯片会非常显著，而且还有性能与效率的明显优势。

                               
登录/注册后可看大图

从Graphcore近期自己公布的数据来看， 以MCMC(马尔可夫链蒙特卡罗)模型为例— 这种模型可帮助基金经理预测回报点，发现股票汇报背后的驱动因素。Graphcore金融行业的客户“在IPU上仅用4.5分钟就可以训练他们专有的、优化的MCMC模型，而现有硬件则需要2小时以上。”这里的现有硬件应该是指GPU。

                               
登录/注册后可看大图

“即便使用未优化的、现成的TensorFlow代码，IPU仍能够在45分钟内训练概率模型，而次优选择为400分钟。”　　
那么到这里，虽然我们无法全局勾勒出IPU的微架构，但已经将IPU如何解决存储瓶颈、大量核心的互联与调度，以及如何实现一定程度的通用性、针对开发者的友好易编程性，做出了大方向的描述。而且实际上，我们也认为，IPU的这些方案代表了当前通用AI芯片的一种典型范例，其中的某些方案实施方向和当前的很多AI芯片也比较类似，这有助于我们未来去观察和理解更多的AI芯片产品。我们所在意的AI芯片通用与专用之争，在Toon和Knowles看来似乎根本不成为一个值得多思的问题。Knowles说过：“我们如果将CPU看做主要执行标量控制任务的处理器，GPU主要是执行矢量图形任务的处理器，那么新一代的IPU，就是专为以计算图为中心的智能任务设计的处理器。”
所以在Graphcore眼中，IPU是自CPU、GPU之后的第三大类主流处理器，“通用”在这个路径中是个必选项，而毫无犹豫的必要。如果按照这个思路来行进，MIT认为专用计算将成为后摩尔定律时代新宠的预言，大概不会成真；因为IPU并不针对某个特定领域。不过要培养起这么大型的目标，首先就需要建立属于IPU的生态系统，吸收足够多的开发者和应用场景。这对初创阶段的Graphcore而言或许也并不容易，即便如我们先前介绍的那样，Graphcore是“含着金汤匙”出生的。　　
前不久，Graphcore刚刚宣布与微软合作，Azure云上的I PU预览版已经开放供用户注册：主要针对的是BERT语言模型；除此之外，Graphcore现有合作客户还包括了戴尔，IPU应用到戴尔的企业服务器中；以及从Graphcore官方信息来看，其客户已涵盖了机器人技术领域、金融领域等。和本世纪初的GPU市场一样，在AI芯片市场步入弱编程阶段，如今百家争鸣的局面预计也将很快结束，市场在一轮厮杀后会剩下为数不多的参与者做最终对决。在整理发展思路上，我们认为Graphcore大约可以代表未来。然而市场的发展速度也远超我们想象，即便是GPU实则也在针对AI计算做不断的优化，比如GPU早就出现了专门的张量核心。现在要看的是在发展初期的逐一击破阶段，Graphcore是否真有定义并主控第三类芯片的魄力了。