在這篇文章中，天數(shù)智芯首席技術(shù)官呂堅平（CP Lu）博士闡述了當(dāng)今AI硬件淵源，跳脫過去芯片設(shè)計窠臼，以可微分GPU及可微分ISP為例，提倡以AI為本的可微分硬件理念。希望借此可重振軟硬件彼此加持的雄風(fēng)，緩解甚至逆轉(zhuǎn)摩爾定律的衰退。

INNOVATIONS

人工智能將如何重振摩爾定律的良性循環(huán)

據(jù)報道，正值全球芯片短缺之際，臺積電提高了芯片價格并推遲了3nm制程的生產(chǎn)進程。無論這類新聞是否準(zhǔn)確或預(yù)示著一種長期趨勢，它們都在提醒我們，摩爾定律的衰退將帶來越來越嚴重的影響，并迫使我們重新思考人工智能硬件——它會受到這種衰退的影響，還是會幫助扭轉(zhuǎn)這種趨勢？

如果我們希望恢復(fù)摩爾定律（Moore’s Law）的良性循環(huán)，這其中，軟件和硬件曾經(jīng)相互加持，使一部現(xiàn)代智能手機比過去10年占據(jù)整個倉庫的超級計算機功能更強大。人們普遍接受后摩爾時代的良性循環(huán)是基于更大的數(shù)據(jù)迸發(fā)更大的模型并需要更強大的機器。但事實上，這樣的循環(huán)是不可持續(xù)的。

除非我們重新定義并行性，我們不能再指望縮小晶體管來制造越來越寬的并行處理器。我們也不能依賴于它，除非特定領(lǐng)域架構(gòu)（DSA）有助于促進及適應(yīng)軟件的發(fā)展。

與其搞清楚哪類硬件是用于 AI 這個不斷發(fā)展的移動目標(biāo)，我們不如從AI以可微分編程為核心的角度來看待AI 硬件。這樣說，人工智能軟件程序是一個計算圖，由一起訓(xùn)練實現(xiàn)端到端目標(biāo)的計算節(jié)點組成。只要一個深度線程DSA硬件是可微的，它就可以作為一個計算節(jié)點。軟件程序員可以自由地將可微硬件插入計算圖中，以實現(xiàn)高性能和以創(chuàng)意解決問題，就像預(yù)構(gòu)建的可定制軟件組件一樣。AI 硬件不應(yīng)再有“血統(tǒng)純正度”審查，畢竟它現(xiàn)在可以包括各樣可微硬件。

但愿這樣，軟件和硬件將再次通過良性循環(huán)并行發(fā)展，就像摩爾定律盛行時那樣。

人工智能硬件架構(gòu)師的苦惱

在人工智能市場的眾多GPU競爭者中，特斯拉推出了Dojo超級計算機。Dojo似乎是網(wǎng)絡(luò)、集成和可延展性方面的杰作。而另一方面，Dojo 的組件 D1 芯片則稱不上是架構(gòu)上的突破。我們可以將GPU競爭者分為兩個陣營，Many-Core 和Many-MAC。D1是Many-Core陣營的一個例子，它是將多個CPU核心連接起來的“網(wǎng)格”。另一方面，特斯拉FSD或谷歌TPU是Many-MAC陣營的縮影，其特點是少量大型矩陣乘法（MM）加速器，每個都在一個“網(wǎng)格”中封裝許多乘累積（MAC）單元。正如我們所看到的，關(guān)于AI架構(gòu)的爭論可以說是處于網(wǎng)格和GPU之間。

在制造芯片帶來的飛速增長的沖力下，AI硬件架構(gòu)師面對著巨大壓力，總是膽戰(zhàn)心驚的看待媒體對基準(zhǔn)測試和學(xué)術(shù)大會的報導(dǎo)。人工智能硬件常常跑不動基準(zhǔn)測試和最新出爐的NN模型，而諷刺的是，這些模型在所謂“老掉牙”的GPU上，卻運行良好。如下圖所示，Many-Core和GPU本質(zhì)上只是數(shù)據(jù)交換方式有所不同。前者通過一個互聯(lián)的網(wǎng)格傳遞數(shù)據(jù)，而后者通過一個存儲器層次結(jié)構(gòu)共享數(shù)據(jù)。這種差異與人工智能沒有什么關(guān)系。Many-Core芯片（如D1芯片）是否最終會超過GPU，還有待觀察，稍后我將介紹Many-MAC 。

現(xiàn)在，讓我們快速回顧一下網(wǎng)格和GPU在高性能計算（HPC）中的共同根源。

HPC的傳承

HPC用于解決計算密集的如軍事研究、科學(xué)發(fā)現(xiàn)、油氣勘探等問題。超級計算機（簡稱超算）一直是高性能計算的關(guān)鍵硬件解決方案。與處理指針豐富的數(shù)據(jù)結(jié)構(gòu)（如樹和鏈表）的通用程序相比，HPC程序主要花時間在“回圈”中重復(fù)數(shù)據(jù)并行計算。

矢量超算的興衰

在20世紀70年代和90年代，矢量超算，通過將數(shù)據(jù)并行回圈展開成矢量來加速高性能計算程序，主導(dǎo)了高性能計算市場。在那期間，矢量超算等同于超級計算機。

在 1990 年代，正當(dāng)摩爾定律鼎盛之時，通過將許多現(xiàn)成的 CPU 排列在網(wǎng)格或某種類似的拓撲結(jié)構(gòu)中來構(gòu)建超級計算機變得可行。這種趨勢導(dǎo)致了分布式超算的出現(xiàn)。尚未接受分布式超算的HPC 社區(qū)抗拒地將其稱為 The Attack of the Killer Micros，其中“Micro”意味著微處理器。這種觀點源于一個芯片上的CPU在早期被稱之為微處理器，而“CPU”通常是一個由分立組件組成的系統(tǒng)。最終，分布式超算取代了矢量超算，成為今天超級計算機的代名詞。

矢量超算以GPGPU的身份王者再臨

在21世紀初，摩爾定律開始呈現(xiàn)老化，導(dǎo)致CPU時鐘速度競賽戛然而止。然而CPU時鐘速度曾是單晶片計算性能的主要來源。業(yè)界的回應(yīng)是在一個芯片上安裝多個CPU核，期望并行性成為新的主要性能來源。這一趨勢帶來雙核、四核以及最終的多核，有效地形成了分布式超算集于一芯，將多個CPU核心排列在一個網(wǎng)格中。Many-Core的例子包括英特爾在市場上挑戰(zhàn)GPU的兩次挫敗，Larrabee在3D市場，以及Larrabee的后代Xeon Phi系列在HPC。

GPU傳統(tǒng)上對頂點、三角形和像素等圖形單元上展開“回圈”。GPU架構(gòu)師將這種能力擴展到HPC應(yīng)用中的回圈，使GPU有效地成為矢量超算集于“一芯”。然后他們將GPU在HPC中的使用命名為通用GPU （即GPGPU）。當(dāng)矢量超算在HPC市場讓位給分布式超算時，它就化身為GPU來報復(fù)它的競爭對手。我們可以看到GPU在頂級超算機上的商業(yè)成功，比如橡樹嶺國家實驗室的Titan超算機和瑞士國家超算中心的Piz Daint。

簡而言之

——分布式超算機將矢量超算機從HPC市場踢出局

——Many-Core是分布式超算“集于一芯”

GPU是將高性能計算的矢量超算“集于一芯”

矩陣乘法（MM）和AI

網(wǎng)格，計算機架構(gòu)中的“舊錘子”，如何自我升級改造視人工智能為“新釘子”？

MM和HPC

計算機體系結(jié)構(gòu)中的一條永恒規(guī)則是，搬動數(shù)據(jù)比計算數(shù)據(jù)更昂貴，這就要求計算機架構(gòu)在較少的數(shù)據(jù)上進行更多的計算。幸運的是， HPC社區(qū)從幾十年的實戰(zhàn)經(jīng)驗中學(xué)到，他們可以用MM來表達大多數(shù) HPC問題，大致說來，MM在數(shù)據(jù)上的操作具有很高的計算-通信比。如果運用得當(dāng)，使用MM解決問題可以通過隱藏數(shù)據(jù)傳輸來實現(xiàn)高性能。因此，HPC程序員只需要超算機供應(yīng)商提供的一個健全的MM程序庫。當(dāng)計算MM時，今天的分布式超級計算可以充分利用分布在數(shù)十萬平方英尺上的數(shù)十萬節(jié)點，有效地令每個單個節(jié)點都忙于計算。

矩陣乘法（MM）在AI中的崛起

運用基于神經(jīng)網(wǎng)絡(luò)（NN）的機器學(xué)習(xí)（ML）是現(xiàn)代人工智能的特征。神經(jīng)網(wǎng)絡(luò)模型由多層ML核心程序組成。在卷積神經(jīng)網(wǎng)絡(luò)（CNN）之前，最流行的神經(jīng)網(wǎng)絡(luò)（NN）是多層感知器（MLP）。MLP的基本ML核心程序是矩陣矢量乘法（MVM），它對數(shù)據(jù)進行粗略的MAC操作，幾乎沒有數(shù)據(jù)重用。另一方面，CNN目前主要的運作元是張量卷積（Tensor Convolution， TC）。正如我在我的文章“All Tensors Secretly Wish to Be Themselves”中解釋的那樣，在數(shù)據(jù)搬動和共享方面，MM和TC在結(jié)構(gòu)上是等價的，所以我們經(jīng)?？梢曰Q使用張量和矩陣。

將MM作為運作元給HPC和人工智能帶來了突破。CNN主要使用了MM，引發(fā)了計算機視覺領(lǐng)域人工智能的突破。Transformer也廣泛使用了MM，點燃了人工智能在自然語言理解（NLP）方面的突破。

多虧了人工智能及其對MM的大量使用，計算機體系結(jié)構(gòu)社區(qū)才有了一個世紀一遇的機會，能夠聚焦在優(yōu)化MM這單純的目標(biāo)，而又能同時對計算產(chǎn)生廣泛的影響——等于是事半功倍。

Many-Core 可以運行與分布式超算相同的MM算法。從某種意義上說，從事人工智能的Many-Core 可以說是歸宗到HPC。

Many-MAC的浪潮

1982年，脈動陣列被引入加速MM和其他應(yīng)用。如果當(dāng)年在人工智能的背景下加速MM像今天一樣酷，那么脈動陣列的研究人員就不會為MM之外應(yīng)用而費心了。脈動陣列是一種比CPU內(nèi)核更密集地封裝MAC單元的機制。缺點是，我們不能在其他地方使用MM MAC單元。由于缺乏通用性，直到因為AI成為MM的殺手級應(yīng)用，谷歌在TPU上采用脈動陣列作為MM加速器，脈動陣列才被市場接受。從那時起，市場上就出現(xiàn)了許多改進原作的版本。在這里，我將原始的脈動陣列及其變體稱為Many-MAC。為了處理非MM操作，Many-MAC增加了配套處理器。

另一方面，Many-Core 中的 CPU 核心，例如 D1 芯片或GPU 的著色器核心，可以使用更小的 Many-MAC，從而有效地成為 Many-MAC 容器。

簡而言之

—— AI和HPC因為使用大量MM而命運交匯。

—— Many-Core 和 Many-MAC基本上不比GPU更適配AI。

領(lǐng)域轉(zhuǎn)移和領(lǐng)域特定的并行性

暗硅和功耗墻

在2010年之后，業(yè)界意識雖然理論上來說，并行度加倍是計算性能的主要來源，然而擁有兩倍的CPU核心，不可能保持這種良性循環(huán)。這是因為每個 CPU 核無法將其功耗降低一半，或每瓦并行度翻倍。在幾次迭代的核加倍后，我們會看到大多數(shù)核在相同的功率預(yù)算下無法被供電，從而產(chǎn)生了暗硅，或者更準(zhǔn)確地說，是暗核。如下圖的概念圖所示，當(dāng)我們從 2 核變?yōu)?4 核時，4 個核中只有 3 個可以供電，而當(dāng)我們從 4 核變?yōu)?8 核時，只能為 4 個核供電。最后，16 個內(nèi)核中只有 4 個可以供電，因此從 8 核變?yōu)?16 核沒有任何好處。我們將這種現(xiàn)象稱為“功耗撞墻（hitting the Power Wall）”。

由于這個原因，相當(dāng)一部分計算機架構(gòu)社區(qū)成員疏遠并行化。此外，悲觀主義者傾向于將并行度低、指針豐富的計算作為主流，并將具有并行性的HPC視為一個小眾市場。他們認為，良性循環(huán)將過早止于阿姆達爾上限，也就是并行運算的極致。

人工智能的及時救援

巧合的是，在這種悲觀情緒中出現(xiàn)了人工智能。根據(jù)斯坦福 AI 指數(shù)報告，人工智能一直不斷進步，就好像功耗墻不存在一樣！

關(guān)鍵在于主流軟件可能會發(fā)生領(lǐng)域轉(zhuǎn)移，導(dǎo)致不同并行模式。如下面的概念圖所示，當(dāng)主流軟件從多指針計算轉(zhuǎn)向數(shù)據(jù)并行計算時，它將一個并行度重新定義為單指令多數(shù)據(jù)（Single-Instruction-Multiple-Data， SIMD）的一條通道而不是一個CPU核。我們看到一條比CPU核曲線更高的曲線（標(biāo)記為SIMD lanes for data-parallel）。接下來，當(dāng)主流軟件進入著重于MM的AI領(lǐng)域時，添加了更高的曲線（標(biāo)記為MM MACs for MM-heavy），一個MM MAC代表一個并行度。正如我們所看到的，通過探索更有效的領(lǐng)域特定并行模式和提高阿姆達爾定律的上限，計算性能在功耗墻之內(nèi)繼續(xù)增長。

順帶一句，著重于MM的AI 有自己的阿姆達爾上限。AI 應(yīng)用程序需要有回圈前端，將 MM 操作分配到并行計算資源，以及回圈后端收集計算結(jié)果進行串行操作（如歸一化或 softmax）的結(jié)果。當(dāng)有足夠多的 MM MAC 來加速 MM 時，阿姆達爾定律就會發(fā)揮作用，從而使回圈前端和后端成為瓶頸。

此外，隨著摩爾定律的衰落越來越嚴重，制造更寬的加速MM的機器是否能維持AI的良性循環(huán)就成了問題。為了解決這個問題，進一步提高阿姆達爾的上限，我們需要轉(zhuǎn)移到更新的領(lǐng)域并探索新的領(lǐng)域特定并行性。換句話說，我們要考慮是否需要在下面的概念圖中添加一條新的曲線。

簡而言之

——通過將指針豐富的領(lǐng)域轉(zhuǎn)移到數(shù)據(jù)并行，進而到重于MM的計算，我們不斷在功耗墻內(nèi)提升性能。

下一個領(lǐng)域轉(zhuǎn)移

可微分編程

英特爾的 Raja Koduri 表示，“神經(jīng)網(wǎng)絡(luò)是新的應(yīng)用程序。我們看到的是，每個插槽，［無論是］ CPU、GPU 還是 IPU，都將具有矩陣加速功能。”

特斯拉的Ganesh Venkataramanan將他們的D1芯片描述為“純正”ML機器，專門運行“ML核心程序”，無需傳統(tǒng)硬件。或許，他在暗示GPU不像D1那樣血統(tǒng)純正，因為它的圖形專用硬件在AI處理過程中處于閑置狀態(tài)。

以上兩種觀點引出了兩個問題——人工智能的領(lǐng)域轉(zhuǎn)移應(yīng)該止于加速矩陣乘法嗎？ 傳統(tǒng)領(lǐng)域特定的設(shè)計是否該被排除在人工智能硬件之外？

現(xiàn)在，我們從AI的核心是可微編程（DP）的角度來探索AI硬件的不同觀點。AI軟件程序是一個計算圖，如下圖所示，由參數(shù)化計算節(jié)點組成，每個節(jié)點將上游節(jié)點的輸出作為輸入，并將計算輸出提供給下游節(jié)點。我們通過“訓(xùn)練”決定所有計算節(jié)點的參數(shù)，訓(xùn)練程序首先計算用到最終輸出的端到端損耗，然后計算該損耗的輸出梯度。沿著用于計算輸出的相反方向，它進一步使用標(biāo)準(zhǔn)的微積分鏈規(guī)則重復(fù)計算中間梯度。

DP只要求任一個計算節(jié)點是可微的，使得它可以與所有其他節(jié)點共同優(yōu)化，通過梯度下降最小化端到端損失。計算節(jié)點的可微性使其能夠維持一條從下游到上游的反饋路徑，最終完成一個端到端的反饋回圈。在DP下，計算節(jié)點不一定是傳統(tǒng)的“ML核心程序”。計算圖可以是異構(gòu)的，包括非ML軟件和硬件節(jié)點，只要它們滿足可微性要求。

一個計算節(jié)點，使用參數(shù)w 及輸入x計算輸出y， 同時計算并記住用于計算輸入梯度的輸出/輸入微分。反饋路徑將輸入梯度傳播到上游節(jié)點，如藍色虛線所示。如果有必要，它計算并記住輸出/參數(shù)微分，以計算參數(shù)梯度來調(diào)整參數(shù)。讓我們來看一些例子。

回圈中的可微分圖形硬件

越來越多的神經(jīng)網(wǎng)絡(luò)模型具有異構(gòu)計算節(jié)點，符合可微分編程的定義。很好的例子是那些解決逆向圖形問題的例子。與正向圖形（從三維場景參數(shù)生成二維圖像）不同，逆向圖形從二維圖像恢復(fù)場景參數(shù)。新興的基于人工智能的逆向圖形解決方案通常包括一個不同于傳統(tǒng)的可微分圖形渲染器。它將梯度逆向傳播到上游節(jié)點，參與梯度下降以最小化端到端損失。具有可微身處回圈圖形的逆圖形線程的強大功能在于使逆圖形“自我監(jiān)督”化，如下圖所示。

重建神經(jīng)網(wǎng)絡(luò)從真實圖像中獲取場景參數(shù)，可微圖形根據(jù)場景參數(shù)繪制虛擬圖像。兩個共享下游NN處理好真實世界和虛擬世界的圖像來計算它們之間的端到端損失。假設(shè)回圈中沒有可微圖形，我們必須為場景參數(shù)準(zhǔn)備3D的基本事實。相反，真實世界的圖像有效地充當(dāng)虛擬世界圖像的基本事實，使過程自我監(jiān)督化。

目前的可微分渲染器，如Soft Rasterizer， DIB-R，以及那些在AI框架中使用的渲染器，如PyTorch3D， TensorFlow Graphics，都是不使用特定于圖形硬件的軟件渲染器。這種軟件實現(xiàn)不像典型的ML核那樣著重MM，因此不能利用MM加速。

另一方面，GPU架構(gòu)師用足夠深的線程設(shè)計和提供特定于圖形的硬件，以便它們速度快，很少成為瓶頸?，F(xiàn)在，假設(shè)我們制作了這樣一個線程“可微硬件”。軟件程序員可以在計算圖中有效地使用可微硬件，類似于使用預(yù)構(gòu)建的軟件組件。由于圖形專用硬件的深層線程并行性，這種循環(huán)中的硬件圖形應(yīng)該比其軟件對應(yīng)物快得多。

回圈中的可微分ISP

除了使用微分硬件作為預(yù)構(gòu)建的軟件組件外，我們還可以通過梯度下降調(diào)整其參數(shù)來“編程”，就像我們“訓(xùn)練”ML核心程序一樣。例如，圖像信號處理器（ISP）通過鏡頭捕獲圖像，并線上對其進行處理，以生成供人類觀賞或下游圖像理解（IU）任務(wù)（如物件偵測或語義分割）使用的圖像。傳統(tǒng)的ISP有充足的參數(shù)空間，但需要專家對其進行調(diào)整，以滿足人類的需求。目前為止，人類專家沒有能力針對下游IU神經(jīng)網(wǎng)絡(luò)模型，調(diào)整該參數(shù)空間。相反，ISP在特定參數(shù)設(shè)置下預(yù)捕獲和預(yù)處理的圖像被用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。此外，捕獲圖像的透鏡系統(tǒng)在制造和操作期間可能存在缺陷。如果沒有與ISP的聯(lián)合優(yōu)化和設(shè)備調(diào)整，IU NN模型將無法令人滿意地執(zhí)行任務(wù)。

目前已經(jīng)有很多提議用 NN 模型替換某些 ISP 處理階段，這在具有特定功率和實時要求的場景中不一定實用或更好。另一方面，已經(jīng)有新興研究試圖利用 ISP 的未開發(fā)的參數(shù)空間。這里有些例子：

回圈中的不可微ISP硬件，用于非ML優(yōu)化的參數(shù)自動調(diào)整。

經(jīng)過訓(xùn)練的 NN 模型模仿 ISP的可微代理， 用 于基于ML 的參數(shù)自動調(diào)整。

上述研究表明，通過為特定 IU 任務(wù)設(shè)置端到端目標(biāo)，自動調(diào)整的 ISP 優(yōu)于沒有自動調(diào)整的 ISP。

第一種方法，不可微ISP不能與其他神經(jīng)網(wǎng)絡(luò)模型聯(lián)合優(yōu)化。另一方面，雖然使用可微代理的第二種方法有助于訓(xùn)練，但其缺點是我們需要在仔細控制的環(huán)境中單獨訓(xùn)練此代理。

現(xiàn)在，想象一下使ISP可微。我們可以在回圈中使用ISP組成一個自適應(yīng)傳感線程，如下圖所示。它可以在具有ISP前和ISP后NN模型的設(shè)備上聯(lián)合調(diào)整自身，以適應(yīng)操作環(huán)境和特定UI任務(wù)。請注意，我們不固定ISP前和ISP后NN模型，就像GPU架構(gòu)師不指定圖形著色器一樣（請參閱我的文章《GPU將成為計算機體系結(jié)構(gòu)黃金時代的明星》）。

結(jié)論

我們使用回圈中的圖形硬件和回圈中的ISP 的例子介紹了可微分硬件的概念。更進一步，假設(shè)我們已經(jīng)在芯片上同時擁有可微分 ISP 和可微分 GPU，并且我們還需要自監(jiān)督逆向圖形和自適應(yīng)傳感。如下所示，我們可以通過連接回圈中的圖形硬件和回圈線程中的ISP組成一個新線程。

我們可以看到，一個可微分硬件單元在以下三個方面看，是可編程的：

1.AI程序員可以在計算圖中使用它，因相當(dāng)于他們在軟件開發(fā)中使用預(yù)構(gòu)建和可定制的軟件組件。

2.AI程序員可以使用用于訓(xùn)練NN模型的相同ML框架自動調(diào)整此可微硬件單元的參數(shù)。

3.AI程序員可以自由選擇各種NN模型來搭配這種可微硬件單元，就像圖形編程人員可以自由編程不同類型的著色器一樣。

AI 已將主流軟件的領(lǐng)域轉(zhuǎn)移到著重MM的計算。軟件程序員可以將廣泛的應(yīng)用程序簡化為 ML 核心程序。為了重振摩爾定律的良性循環(huán)，我們需要另一個領(lǐng)域轉(zhuǎn)移。與其搞清楚哪些硬件是用于 AI 這個不斷發(fā)展的移動目標(biāo)，我們應(yīng)該遵循 AI 的精神——可微分編程，改變我們設(shè)計和使用計算硬件的方式。不再對 AI 硬件進行“血統(tǒng)純度”審查，因為它可以包括可微分硬件。

如此一來，硬件有望在創(chuàng)新軟件中延長其生命周期，軟件可以利用硬件作為預(yù)構(gòu)建和可定制的組件。希望雙方都能加持彼此進入一個新的良性循環(huán)，就像摩爾定律鼎盛時那樣。

責(zé)任編輯：haq