今年10月，IBM發布了旗下首款人工智慧計算單元（Artificial Intelligent Unit，AIU）片上系統。
這是一種專用集成電路 (ASIC)，旨在更快、更高效地訓練和運行需要大規模並行計算的深度學習模型。
AIU：專為現代AI計算打造
在過去多年來，業界主要是利用CPU、GPU來運行深度學習模型，但是隨著人工智慧模型的數量正呈指數級增長。
同時深度學習模型也越來越龐大，有數十億甚至數萬億的參數，需要的算力也是越來越高，而CPU、GPU這類傳統架構的晶片的AI算力增長已經遇到了瓶頸。
△深度神經網絡對於算力的需求增長迅速
根據 IBM 的說法，深度學習模型傳統上依賴於 CPU 和 GPU 協處理器的組合來訓練和運行模型。
CPU 的靈活性和高精度非常適合通用軟體應用程式，但是，在訓練和運行需要大規模並行 AI 操作的深度學習模型時，CPU卻處於劣勢。
GPU最初是為渲染圖形圖像而開發的，但後來該技術發現了在AI計算中使用的優勢。
但是，CPU和GPU都是在深度學習革命之前設計的，現在他們的效率增長已經落後於深度學習對於算力的指數級增長，業界真正需要的是針對矩陣和向量乘法運算類型進行優化的通用晶片來進行深度學習。
基於此，IBM Research AI Hardware Center在過去五年中一直專注於開發下一代晶片和人工智慧系統，希望以每年將人工智慧硬體效率提高 2.5 倍，並能夠在 2029 年以比 2019 年快1000倍的速度訓練和運行人工智慧模型。
最新AIU晶片則是IBM推出的首款針對現代 AI 統計數據定製的晶片。
IBM表示，AIU是專為加速深度學習模型使用的矩陣和向量計算而設計和優化。AIU 可以解決計算復雜的問題，並以遠遠超過 CPU 能力的速度執行數據分析。
那麼IBM AIU是如何實現針對深度學習優化的呢？答案是：“近似計算”＋“簡化人工智慧工作流程”。
擁抱低精度，採用近似計算
從歷史上看，很多AI計算依賴於高精度 64 位和 32 位浮點運算。IBM 認為AI計算並不總是需要這種精確度。
它有一個降低傳統計算精度的術語——“近似計算”。在其Blog網誌中，IBM 解釋了使用近似計算的基本原理：
“對於常見的深度學習任務，我們是否需要這種准確度？我們的大腦是否需要高解析度圖像來識別家庭成員或貓？當我們輸入一個文本線程進行搜索時，我們是否需要第 50，002 個最有用的回復與第 50，003 個最有用的回復的相對排名的精度？答案是，包括這些示例在內的許多任務都可以通過近似計算來完成。”
基於此，IBM 首創了的一種稱為近似計算的技術，可以從32位浮點運算下降到包含四分之一信息的混合8位浮點(HFP8)計算格式。這種簡化的格式極大地減少了訓練和運行 AI 模型所需的數字運算量，並且不會犧牲准確性。
更精簡的位格式還減少了另一個對速度的拖累：只需將更少的數據移入和移出記憶體，即運行AI模型對於記憶體的占用更少了。
IBM在其新的AIU晶片的設計當中融入了近似計算技術，使得AIU晶片的精度需求大幅低於 CPU 所需的精度。較低的精度對於在新的 AIU 硬體加速器中實現高計算密度至關重要。
AIU使用混合 8 位浮點(HFP8)計算，而不是通常用於 AI 訓練的32位浮點或16位浮點運算。較低精度的計算使晶片的運行速度比 FP16 計算快 2 倍，同時提供類似的訓練結果。
雖然低精度計算對於獲得更高的密度和更快的計算是必要的，但深度學習 (DL) 模型的精度必須與高精度計算保持一致。
簡化人工智慧工作流程
由於大多數 AI 計算都涉及矩陣和向量乘法，因此IBM AIU晶片架構具有比多用途 CPU 更簡單的布局。
IBM AIU還針對將數據直接從一個計算引擎發送到另一個計算引擎進行設計，從而節省大量能耗。
據IBM介紹，其AIU晶片是一個完整的片上系統，是基於IBM此前的Telum晶片（7nm工藝）中內置的經過驗證的 AI 加速器的擴展版本，並且採用了更先進的5nm製程工藝，具有 32 個處理內核並包含 230 億個電晶體。
IBM AIU 還被設計為像顯卡一樣易於使用。它可以插入任何帶有 PCIe 插槽的計算機或伺服器。
IBM表示：“部署 AI 對照片中的貓和狗進行分類是一項有趣的學術活動。但它不會解決我們今天面臨的緊迫問題。我們要讓 AI 解決現實世界的復雜性——比如預測下一個颶風伊恩，或者我們是否正在走向衰退——我們需要企業級的工業級硬體。我們的 AIU 讓這一願景更近了一步。”
IBM AIU表現如何？
IBM並未在其官網公布更多關其AIU晶片的技術信息。不過，我們可以通過回顧 IBM在 2021 年國際固態電路會議（ISSCC）上展示其早期 7nm 晶片設計的性能結果時的初始原型演示來對其性能有所了解。
IBM 用於會議演示的原型不是 32 個內核，而是一個實驗性的 4 核 7nm AI 晶片，支持 FP16 和混合FP8 格式，用於訓練和推理深度學習模型。
它還支持用於擴展推理的 int4 和 int2 格式。2021 年 Lindley Group通訊中包含了原型晶片性能的摘要，該通訊報導了 IBM 當年的演示：
在峰值速度下，使用 HFP 8，該7nm晶片實現了每秒每瓦特 (TF/W) 1.9 teraflops。
使用INT4進行推理，該實驗晶片達到16.5 TOPS/W，優於高通低功耗Cloud AI模組。
考慮到IBM AIU是該測試晶片的擴展版本，並且製程工藝也升級到了5nm，因此預計其整體能效將進一步提升，同時隨著核心數量由4核上升到32核，其整體的峰值算力有望提升超過8倍。
Forbes的分析師認為，由於缺乏信息，無法將IBM的AIU與目前被用於AI計算的GPU相比較，但是，預計該晶片的價格將會在1500 美元到 2000 美元之間。
來源：快科技
