2月20日訊息，美國人工智能初創公司Groq最新推出的面向雲端大模型的推理芯片引發了業內的廣泛關註。其最具特色之處在於，采用了全新的Tensor Streaming Architecture (TSA) 架構，以及擁有超高頻寬的SRAM，從而使得其對於大模型的推理速度提高了10倍以上，甚至超越了輝達的GPU。
推理速度是輝達GPU的10倍，功耗僅1/10
據介紹，Groq的大模型推理芯片是全球首個LPU（Language Processing Unit）方案，是一款基於全新的TSA 架構的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效能。
雖然Groq的LPU並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，Groq LPU 芯片具有高度的並列處理能力，可以同時處理數百萬個數據流，並該芯片還整合了230MB容量的SRAM來替代DRAM，以保證記憶體頻寬，其片上記憶體頻寬高達80TB/s。
根據官方的數據顯示，Groq的LPU芯片的效能表現相當出色，可以提供高達1000 TOPS (Tera Operations Per Second) 的計算能力，並且在某些機器學習模型上的效能表現可以比常規的 GPU 和 TPU 提升10到100倍。
Groq表示，基於其LPU芯片的雲伺服器在Llama2或Mistreal模型在計算和響應速度上遠超基於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。由於ChatGPT-3.5主要是基於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，相對於其他雲平台廠商的大模型推理效能，基於其LPU芯片的雲伺服器的大模型推理效能最終實作了比其他雲平台廠商快18倍。
另外，在能耗方面，輝達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，其能耗成本僅有輝達GPU的十分之一，這等於是性價比提高了100倍。
Groq公司在演示中展示了其芯片的強大效能，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字節的上下文長度，並可直接體驗Demo。不僅如此，Groq還喊話各大公司，揚言在三年內超越輝達。目前該公司的LPU推理芯片在第三方網站上的售價為2萬多美元，低於NVIDIA p00的2.5-3萬美元。
資料顯示，Groq 是一家成立於2016年人工智能硬件初創公司，核心團隊來源於谷歌最初的張量處理單元（TPU）工程團隊。Groq 創始人兼CEO Jonathan Ross是谷歌TPU專案的核心研發人員。該公司硬件工程副總裁Jim Miller 曾是亞馬遜雲端運算服務AWS設計算力硬件的負責人，還曾在英特爾領導了所有 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芯片與大多數其他初創公司和現有的AI處理器有著截然不同的時序指令集電腦（Temporal Instruction Set Computer）架構，它被設計為一個強大的單執行緒流處理器，配備了專門設計的指令集，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行。該架構的獨特之處在於執行單元、片內的SRAM記憶體和其他執行單元之間的互動。它無需像使用HBM（高頻寬記憶體）的GPU那樣頻繁地從記憶體中載入數據。
Groq 的神奇之處不僅在於硬件，還在於軟件。軟件定義的硬件在這裏發揮著重要作用。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，並提前進行高度協調和編排。編排來自編譯器。它提前確定並計劃整個執行，從而實作非常確定的計算。「這種確定性來自於我們的編譯器靜態排程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並列性。芯片上沒有分支目標緩沖區或緩存代理，」Groq 的首席架構師 Dennis Abts 解釋道。Groq LPU芯片為了追求效能最大化，因此添加了更多SRAM記憶體和執行塊。
SRAM全名為「靜態隨機存取記憶體」（Static Random-Access Memory）是隨機存取記憶體的一種。所謂的「靜態」，是指這種記憶體只要保持通電，裏面儲存的數據就可以恒常保持。相對之下，動態隨機存取記憶體（DRAM）裏面所儲存的數據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套用的首選記憶體，
事實上，對於 AI/ML 套用來說，SRAM 不僅僅具有其自身的優勢。「SRAM 對於 AI 至關重要，尤其是嵌入式 SRAM，它是效能最高的記憶體，可以將其直接與高密度邏輯核心整合在一起。目前SRAM也是被諸多CPU整合在片內（更靠近CPU計算單元），作為CPU的快取，使得CPU可以更直接、更快速的從SRAM中獲取重要的數據，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 記憶體的原因主要有以下幾點：
1、SRAM 記憶體的存取速度比 DRAM 記憶體快得多，這意味著 LPU 芯片更快速地處理數據，從而提高計算效能。
2、SRAM 記憶體沒有 DRAM 記憶體的重新整理延遲，這意味著LPU芯片也可以更高效地處理數據，減少延遲帶來的影響。
3、SRAM 記憶體的功耗比 DRAM 記憶體低，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，對於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的數據需要更多的晶體管來儲存，再加上SRAM的微縮非常困難，使得相同面積下，SRAM容量遠低於DRAM等記憶體。這也使得SRAM在面對需要儲存大量數據時的套用受到了限制。
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儲存數據，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套用中的套用，但是 SRAM 的存取速度比 DRAM 快得多，這使得它在某些計算密集型套用中表現得非常出色。Groq LPU 芯片采用的大容量 SRAM 記憶體可以提供更高的頻寬（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。
那麽，與目前AI GPU當中所搭載的 HBM 記憶體相比，Groq LPU 芯片整合的 SRAM 記憶體又有何優勢和劣勢呢？
Groq LPU 芯片的 SRAM 記憶體容量雖然有230MB，但是相比之下AI GPU 中的 HBM 容量通常都有數十GB（比如NVIDIA p00，其整合了80GB HBM），這也意味著LPU 芯片可能無法處理更大的數據集和更復雜的模型。相同容量下，SRAM的成本也比HBM更高。 不過，與HBM 相比，Groq LPU 芯片的所整合的 SRAM 的仍然有著頻寬更快（NVIDIA p00的HBM頻寬僅3TB/s）、功耗更低、延遲更低的優勢。
能否替代NVIDIA H00？
雖然Groq公布的數據似乎表明，其LPU芯片的推理速度達到了NVIDIA GPU的10倍以上，並且能耗成本僅是它十分之一，等於是性價比提高了100倍。但是，Groq並且明確指出其比較的是NVIDIA的哪款GPU產品。由於目前NVIDIA最主流的AI GPU是p00，因此，我們就拿NVIDIA p00來與Groq LPU來做比較。
由於Groq LPU只有230MB的片上SRAM來作為記憶體，因此，如果要執行Llama-2 70b模型，即使將Llama 2 70b量化到INT8精度，仍然需要70GB左右的記憶體，即使完全忽略記憶體消耗，也需要305張Groq LPU加速卡才夠用。如果考慮到記憶體消耗，可能需要572張Groq LPU加速卡。官方數據顯示，Groq LPU的平均功耗為185W，即使不計算外圍器材的功耗，572張Groq LPU加速卡的總功耗也高達105.8kW。假設一張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（規模采購價格應該可以更低）。
根據人工智能科學家賈揚清分享的數據顯示，目前，數據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 p00加速卡就可以實作572張Groq LPU一半的效能，這意味著一個8張p00的伺服器的效能大致相當於572張Groq LPU。而8張p00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。現在一個8張p00加速卡的伺服器的價格約為30萬美元。
顯然，相比較之下，在執行相同的INT8精度的Llama-2 70b模型時，NVIDIA H00的實際性價比要遠高於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的記憶體來執行，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。這麽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 p00加速卡，其整合的80GB HMB就足夠部署5個FP16精度的Llama-2 7b模型，而p00在FP16算力約為2PFLOPs。即使要達到70張Groq LPU加速卡相同的算力，只需要一台8卡NVIDIA p00伺服器就能夠達到。
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p00加速卡的伺服器的價格約為30萬美元，顯然，對於執行FP16精度的Llama-2 7b模型來說，采用NVIDIA p00的性價比也是遠高於Groq LPU。
當然，這並不是說Groq LPU相對於NVIDIA p00來說毫無優勢，正如前面所介紹的那樣，Groq LPU的主要優勢在於其采用了大容量的SRAM記憶體，擁有80TB/s的超高的記憶體頻寬，使得其非常適合於較小的模型且需要頻繁從記憶體存取數據的套用場景。當然，其缺點則在於SRAM的記憶體容量較小，要執行大模型，就需要更多的Groq LPU。那麽，Groq LPU能否進一步提升其SRAM記憶體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，並且也會帶來功耗方面的問題。或許未來Groq可能會考慮，加入HBM/DRAM來提升 LPU的適應力。
編輯：芯智訊-浪客劍
