編輯：編輯部
【新智元導讀】是時候用CPU通用伺服器跑千億參數大模型了！
馬斯克19天建成由10萬塊p00串聯的世界最大超算，已全力投入Grok 3的訓練中。
與此同時，外媒爆料稱，OpenAI和微軟聯手打造的下一個超算集群，將由10萬塊GB200組成。
在這場AI爭霸賽中，各大科技公司們卯足勁加大對GPU的投資，似乎在暗示著擁有更多、更強大的GPU，就能讓自己立於不敗之地。
然而，這種對高端GPU的狂熱追求，並非在所有情況下，都是完美無缺的解決方案。
Pytorch之父表示，技術報告中暗藏了很多基礎設施的有趣細節，包括如何並列化，如何讓系統更可靠等等
就拿穩定性來說，在Llama 3.1訓練的54天裏，Meta的1.6萬塊p00集群總共遇到了419次意外中斷，相當於平均每3小時發生一次。
而在這之中，有148次（30.1%）是由於各種GPU故障引起的。
相比之下，由CPU故障引發的中斷，只有2次。
另一方面，想要把Llama 3.1 405B跑起來，還得搭配2台8×p00的DGX工作站才行——即1280GB的視訊記憶體。
曾經有位勇士嘗試用一張4090執行，結果等了30分鐘，模型才緩緩吐出一個「The」。
完整的回復，花了整整20個小時
熟悉模型的訓練和推理的朋友都知道，這些事情一點都不奇怪。
集群搭建（GPU配置、網絡設計、軌域最佳化等）、集群管理（即時監控、故障排除等）……個個都是「攔路虎」。
對於缺乏相關經驗和資金的公司來說，該怎麽辦？
最近，浪潮資訊的研發工程師，僅靠4顆CPU，就讓千億參數的「源2.0」在通用伺服器上跑起來了！
面對用Java編寫程式的程式碼任務，「源2.0」非常迅速地給出了結果。
再給它上一道推理題——船邊掛著軟梯，離海面2米，海水每小時漲半米，幾小時海水能淹沒軟梯？
同樣，AI幾乎0延遲給出了詳細的解題步驟和答案。
用通用伺服器執行千億參數大模型，可謂是前無古人，這一領域的積累完全是空白，沒有任何經驗可借鑒。
浪潮資訊，究竟是怎麽做到的？
用4顆CPU，撬動千億參數大模型
若要在單台伺服器中，實作千億參數大模型的推理，包含了2個主要階段，均對計算能力提出了硬性需求。
首先，是預填充階段，也叫做前向傳播階段。
這一階段涉及到輸入數據的處理、模型參數第一次讀取。
比如，當你輸入「給我寫一篇有關AI的文章」提示，預填充階段便會將問題中所有token、模型參數，一次性輸入計算。
有時，這一輸入可能是幾個字，也可能是幾千個字，或者是一本著作。
第一階段的計算需求有多大，主要取決於我們輸入的長度。
而在計算第一個token過程中，由於模型首次載入，會在記憶體中存放全部的權重參數，以及KV Cache等數據。
這是模型參數本身所占記憶體空間的2-3倍。
對於千億參數模型來說，大量的參數和數據輸入，需要在強大計算單元中處理。對此，它需要支持向量化指令集、矩陣計算指令集，來實作大量的矩陣乘法和張量運算。
其次，是解碼階段，即在問題全部輸入之後，模型開始輸出結果的階段。
在這個階段，對大模型唯一要求便是，輸出盡可能快。同時，挑戰不再是算力挑戰，轉而為「數據搬運」的挑戰。
它包含了兩部份「數據搬運」：
這些搬運對大模型的計算和推理速度，起到了一個決定性的作用。數據搬運很快，LLM吐字的速度也會快。
LLM輸出主要透過KV Catch，逐一生成token，並在每步生成後儲存新詞塊的鍵值向量。
因此，千億大模型的即時推理，伺服器需要具備較高的計算能力，以及較高的儲存單元到計算單元的數據搬運效率。
總而言之，在大模型推理的兩階段中，有著截然不同的計算特征，需要在軟硬件方面去做協同最佳化。
GPU不是萬能的
傳統上，GPU因其具備優越的並列處理能力，一舉成為了AI訓練和推理的首選。
成本
然而，高端GPU伺服器在市場中經常出現供不應求，極難獲取的現象。
僅有資金雄厚的科技巨頭們，諸如微軟、谷歌，才能夠承擔起這筆費用。
另一方面，不僅買不起，更是用不起。
基於GPU的雲服務租用，在推理任務中的代價卻是高昂的。對於科研人員和套用廠商來說，需要實作更高的成本效益，就得另謀他路。
視訊記憶體
此外，GPU最大的劣勢之一在於，視訊記憶體容量受限。
當前業界LLM的網絡架構，已從GPT逐漸走向MoE。通向AGI的大模型參數規模，只會呈指數級增長。
這意味著，閉源/開源主流模型的尺寸只會越來越大，千億參數，甚至萬億參數模型將會成為主流。
對於百億參數模型，20-30GB視訊記憶體就夠了。然而，若想跑千億參數，大約需要200-300GB的視訊記憶體空間。
目前主流的AI芯片，視訊記憶體通常只有幾十GB，顯然放不下這麽大的模型。（目前最強的AI芯片也沒還沒達到200GB）
被低估的通用伺服器
GPU不行，那就從CPU入手。
雖然目前還搞不定模型的大規模訓練，但通用伺服器在推理任務上，卻意外有著不小的優勢。
在具體實踐的過程中，浪潮資訊的工程師們分別從硬件資源和演算法層面入手，攻克了一個個「攔路虎」。
超大記憶體+高速頻寬
算力方面， 目前領先的伺服器CPU都已經具備了AI加速功能。
類似於GPU的Tensor core，AMX高級矩陣擴充套件可以將低精度的計算做加速，編成指令集給CPU的核，利用專用的核做加速。
演算法方面， 浪潮資訊的通用伺服器可同時支持PyTorch、TensorFlow等主流AI框架，以及DeepSpeed等流行開發工具，滿足了使用者更成熟、易部署、更便捷的開放生態需求。
通訊方面， 全鏈路UPI（Ultra Path Interconnect）總線互連的設計，則實作了CPU之間高效的數據傳輸：
- 允許任意兩個CPU之間直接進行數據傳輸，減少了通訊延遲
- 提供了高傳輸速率，高達16GT/s（Giga Transfers per second）
此外，浪潮資訊的研發工程師還最佳化了CPU之間、CPU和記憶體之間的走路線徑和阻抗連續性。
依據三維仿真結果，他們調整了過孔排列方式，將訊號串擾降低到-60dB以下，較上一代降低了50%。
並且，透過DOE矩陣式有源仿真，找到了通道所有corner的組合最優解，讓算力效能可以得到充分發揮。
記憶體方面， 可以說是通用伺服器的最大優勢了。
對於4路伺服器來說，只需給每顆CPU插上8根32GB記憶體，就能輕松達到1TB。插滿之後甚至可以擴充套件到16TB，最大可支持萬億參數的模型。
搭配DDR5的記憶體，則可以實作4800MHz × 8bit × 8通道 × 4顆 ÷ 1024 = 1200GB/s的理論上頻寬。
實測結果顯示，讀頻寬為995GB/s、寫頻寬為423GB/s，以及讀寫頻寬為437GB/s。
這個數據，對於一些搭載GDDR視訊記憶體的GPU或加速卡，可以說是毫不遜色。
但僅靠硬件遠遠不夠
僅僅依靠硬件創新，是遠遠不夠的，CPU很難進行大模型演算法的大規模平行計算。
正如開篇所述，大模型對通訊頻寬的要求是非常高的，無論是數據計算、計算單元之間，還是計算單元與記憶體之間。
如果按照BF16精度計算，想要讓千億大模型的執行時延小於100ms，記憶體和計算單元之間的通訊頻寬，就至少要達到2TB/s以上。
不僅如此，對於基於擅長大規模平行計算的加速卡設計的AI大模型，通用伺服器的處理器與之並不適配。
原因很明顯：後者雖然擁有高通用性和高效能的計算核心，但並沒有並列工作的環境。
通常來說，通用伺服器會將先將模型的權重傳給一個CPU，然後再由它去串聯其他CPU，實作權重數據的傳輸。
然而，由於大模型在執行時需要頻繁地在記憶體和CPU之間搬運演算法權重，這樣造成的後果就是，CPU與記憶體之間的頻寬利用率不高，通訊開銷極大。
如何解題？用演算法創新
針對以上難題，浪潮資訊提出了「張量並列」（Tensor Parallel）和「NF4量化」兩項技術創新，成功實作了千億大模型Yuan2.0-102B的即時推理。
根據效能分析結果，可以清晰地看到模型中不同部份的計算時間分布——
線性層執行時間占比50%，摺積執行時間占比20%，聚合通訊時間占比20%，其它計算占比10%。
註意，在整個推理過程中，計算時間占比達到了80%！
跟使用多個PCIe的AI加速卡相比，這就形成了鮮明的對比——後者的通訊開銷可能高達50%，從而導致嚴重的算力浪費。
Yuan2.0-102B模型推理效能分析結果圖
張量並列
所謂張量並列，就先將摺積算子進行張量切分，然後把大模型中的註意力層和前饋層的矩陣計算權重，分別輸入到多個處理器的記憶體中。
如此一來，通用伺服器中的4顆CPU便可同時獲取演算法權重，進行計算加速。
不過，張量並列對模型參數的切分粒度較細，要求CPU在每次張量計算後都要進行數據同步。
對於這個需求，前文提到的全鏈路UPI總線互連技術，完全可以滿足（通訊頻寬高達16GT/s）。
最終，這種協同並列工作，直接讓計算效率提升了4倍！
NF4量化
至於記憶體頻寬不足的問題，則需要在不影響精度的情況下對模型進行「瘦身，也就是量化。
其優勢在於，一方面可以將LLM參數量化成低位元數據，權重會變小。另一方面，權重縮小之後，在計算時傳輸的數據量也會變小。
這裏，浪潮資訊采用了一種並不多見的分位數量化方法——NF4（4位元NormalFloat）。
NF4量化方法可將Yuan2.0-102B的尺寸壓縮到原來的1/4
具體來說，NF4的核心思想是，確保量化區間內輸入張量的值數量相等。
這個特點，恰恰非常適合呈現近似正態分布的LLM權重。
由於可以透過調整標準差來適配量化數據類別的範圍，NF4相較於傳統的4位元整數或4位元浮點數量化，可以獲得更高的精度。
如此一來，量化之後的模型既能滿足精度需求，又能大幅降低大規模平行計算的訪存數據量，從而達到了即時推理的解碼需求。
整數或浮點數量化方法的數據間隔通常是平均分布或指數分布的
為了進一步壓縮模型的權重參數，團隊還采用了巢狀量化（Double Quant）技術。
這是在NF4量化基礎上，進行了二次量化。
因為NF4量化後會產生大量的scale參數，如果使用32位元浮點數（FP32）儲存，會占用大量記憶體。
對於一個千億參數的LLM，若以每64個參數作為一個量化塊（block size=64）來計算，僅儲存scale參數就需要額外的6GB記憶體：(100B ÷ 64) × 4 = 6GB。
團隊透過將這些scale參數量化到8位元浮點數（FP8），顯著減少了所需的儲存空間。
在采用256為量化塊大小（block size=256）的情況下，儲存所有scale參數所需的額外空間僅為1.57GB：(100B ÷ 64 ÷ 256) × 4 + (100B ÷ 64) × 1 = 1.57GB.
透過巢狀量化，模型的每個權重參數最終僅占用4字節的記憶體空間，比原始FP32節省了大量的記憶體占用空間。
與此同時，它將從記憶體到CPU的數據搬運效率，提高了4倍。
這樣的最佳化顯著減輕了記憶體頻寬對Yuan2.0-102B模型推理解碼效率的限制，從而進一步提升了模型的推理效能。
所謂通用，就是讓大家都用上
到這裏，浪潮資訊就成功交卷了！
透過系統最佳化，浪潮資訊的NF8260G7，在業界首次實作了僅基於通用處理器，支持千億參數大模型的執行。
至此，通用算力可支持的AI大模型，參數規模突破了千億，徹底填補了行業空白，成為了企業擁有AI的新起點。
千億參數AI的模型的部署，從此有了效能更強、成本更經濟的選擇；AI大模型套用，可以和雲、大數據、數據庫，實作更緊密的融合。
科技進步的最終目的，一定是落入凡間。
放眼當下，AIGC已經滲透進千行百業。AI已經以驚人的速度，滲透進了每一個計算器材。
2024年1-4月，國內大模型的中標數量，已經超越了2023全年總數，中標披露金額已經達到了2023年全年的77%。
在金融行業、醫院門診部，企業的IT部門，從業者都發現了這一點：傳統行業的算力基礎設施，已經不夠用了！
如今，千億參數大模型，是千行百業智能湧現的關鍵。而通用算力能否執行千億參數大模型，正是衡量其能否支撐千行百業智能湧現的關鍵。
浪潮資訊的創舉，讓互聯網、金融、醫療等行業客戶可實作高效部署，首次投入就可節約80%以上的建設成本。
無論是金融防欺詐、財務數據分析、企業CRM行銷洞察、醫療智能診斷、個人化診療方案、教育培訓等等，都將見證AI的廣泛套用。
從此，一切計算皆AI。
參考資料：
https://mp.weixin.qq.com/s/1wYt7dfoVy2J1FFkOJjRTg
