3500TOPS夠不夠，透視AI芯片算力數(shù)字游戲

智能駕駛是一個(gè)復(fù)雜的系統(tǒng)，單單計(jì)算AI算力意義不大，并且AI算力數(shù)字有非常多的操作空間。汽車領(lǐng)域的算力通常是整數(shù)8位精度下的算力，這種算力也只是針對傳統(tǒng)CNN當(dāng)中計(jì)算量最大的卷積運(yùn)算，這種算力的取得不需要任何技術(shù)門檻，簡單堆砌MAC（乘積累加）陣列即可獲得。不計(jì)成本的話，任何廠家都可以取得數(shù)千TOPS的算力，但每個(gè)廠家有自己的市場定位，有成本考量，自然就有了算力高低。

圖片來源：Synopsys

上圖是Synopsys推出的一款I(lǐng)P，最高支持8個(gè)NPU，達(dá)到3500TOPS的算力，單個(gè)NPU也可達(dá)到440TOPS的算力，并且這個(gè)算力是不參雜任何水分的，完全靠MAC數(shù)量獲得。

衡量算力最客觀的數(shù)據(jù)應(yīng)該是MAC數(shù)量，用MAC數(shù)量和運(yùn)行頻率可以計(jì)算出算力值，這沒有任何弄虛作假的空間，比如谷歌TPU V1有65000個(gè)MAC，頻率為700MhHz，算力即為65000*700M*2=91TOPS（每個(gè)指令包含兩次計(jì)算）；特斯拉初代FSD每個(gè)NN包含2*9216個(gè)MAC，頻率為2GHz，算力就是2*9216*2*2*2000=73.7TOPS。

智能駕駛領(lǐng)域早已不是傳統(tǒng)CNN的領(lǐng)域，Transformer相對CNN可謂有著翻天覆地的變化。芯片從設(shè)計(jì)到正式量產(chǎn)需經(jīng)過一個(gè)漫長的過程，可能是2-4年。因此現(xiàn)在市面上流行的嵌入式智能芯片基本上是源自于2年甚至更長時(shí)間之前的設(shè)計(jì)，而那時(shí)候設(shè)計(jì)的嵌入式智能芯片很大概率未考慮Transformer的情況，因?yàn)楫?dāng)時(shí)可能大部分市面上流行的還是以CNN為主的模型，很難部署Transformer。

對AI模型來說，可分為浮點(diǎn)和整數(shù)兩大類，其中整數(shù)通常用于推理，浮點(diǎn)用于訓(xùn)練。根據(jù)IEEE二進(jìn)制浮點(diǎn)數(shù)算術(shù)標(biāo)準(zhǔn)（IEEE 754）的定義，浮點(diǎn)又可分為雙精度即FP64，單精度即FP32，半精度即FP16，浮點(diǎn)計(jì)數(shù)是利用浮動(dòng)小數(shù)點(diǎn)的方式使用不同長度的二進(jìn)制來表示一個(gè)數(shù)字，與之對應(yīng)的是定點(diǎn)數(shù)。同樣的長度下浮點(diǎn)數(shù)能表達(dá)的數(shù)字范圍相比定點(diǎn)數(shù)更大，但浮點(diǎn)數(shù)并不能精確表達(dá)所有實(shí)數(shù)，而只能采用更加接近的不同精度來表達(dá)。單精度的浮點(diǎn)數(shù)中采用4個(gè)字節(jié)也就是32位二進(jìn)制來表達(dá)一個(gè)數(shù)字，雙精度浮點(diǎn)數(shù)采用8個(gè)字節(jié)也就是64bits來表達(dá)，當(dāng)然半精度浮點(diǎn)數(shù)也就是采用16bits了。因?yàn)椴捎貌煌粩?shù)的浮點(diǎn)數(shù)的表達(dá)精度不一樣，所以造成的計(jì)算誤差也不同，對于需要處理的數(shù)字范圍大且需要精確計(jì)算的科學(xué)計(jì)算來說，就要求采用雙精度浮點(diǎn)數(shù)；而對于常見的多媒體和圖形處理計(jì)算，32位的單精度浮點(diǎn)計(jì)算已經(jīng)足夠了；對于要求精度更低的機(jī)器學(xué)習(xí)等一些應(yīng)用來說，半精度16位浮點(diǎn)數(shù)就可以甚至8位浮點(diǎn)數(shù)就已經(jīng)夠用了。

對AI芯片來說，不同的精度，浮點(diǎn)或整數(shù)需要各自獨(dú)立的計(jì)算單元。要支持浮點(diǎn)運(yùn)算需要特殊的寄存器和單獨(dú)的浮點(diǎn)數(shù)據(jù)加載指令，通用型CPU需要單獨(dú)添加浮點(diǎn)運(yùn)算處理器即FPU來完成浮點(diǎn)運(yùn)算。早期車載領(lǐng)域主要是CNN模型，為簡化運(yùn)算，基本上都是只能做整數(shù)運(yùn)算，不能也不需要做浮點(diǎn)運(yùn)算，但Transformer不同，它的歸一化層和Softmax一般是半精度浮點(diǎn)數(shù)據(jù)格式即FP16，當(dāng)然工具鏈軟件可以做一個(gè)轉(zhuǎn)換，但這樣效率會(huì)下降很多甚至直接數(shù)據(jù)溢出報(bào)錯(cuò)，遠(yuǎn)不如原生態(tài)支持的好。

浮點(diǎn)運(yùn)算不同的精度也需要設(shè)計(jì)不同的寄存器，CPU里的FPU可以同時(shí)支持不同精度的浮點(diǎn)運(yùn)算，但在GPU里針對單精度和雙精度就需要各自獨(dú)立的計(jì)算單元，不過半精度就不需要獨(dú)立的計(jì)算單元。例如英偉達(dá)的RTX3090單精度性能(FP32)達(dá)到35.7TFLOPS，遠(yuǎn)超A100的19.5TFLOPS，F(xiàn)P16性能達(dá)到285TFLOPS,也接近A100的312TFLOPS。但3090價(jià)格遠(yuǎn)低于A100 GPU，這是因?yàn)锳100定位于全面通用型AI加速，A100需要考慮雙精度運(yùn)算，因?yàn)橛邢拊南∈杈仃嚽蠼馄?，還有復(fù)雜表面流場的計(jì)算離不開雙精度，而同樣算力雙精度耗費(fèi)晶體管數(shù)量是單精度的4-8倍，換句話說同樣算力，雙精度運(yùn)算消耗的成本是單精度的4-8倍。而RTX3090是圖形領(lǐng)域的，主要是FP32數(shù)據(jù)格式，完全不考慮科學(xué)運(yùn)算的FP64，成本自然降低很多。

FP32可以兼容INT8，但FP32的成本相對INT8要高至少4倍，因此英偉達(dá)單獨(dú)搞出來張量計(jì)算單元即tensor core來應(yīng)對INT8，只留少量的FP32，向下兼容沒問題，但不能向上兼容。

圖片來源：英偉達(dá)

以英偉達(dá)Orin為例，包含2048個(gè)CUDA核心，這是針對FP32的，F(xiàn)P32精度下算力為5.2TOPS，INT8格式下算力為167TOPS，還包含64個(gè)張量核心，這是針對所謂DLA的，原生態(tài)INT8格式，算力為87TOPS，合計(jì)為275TOPS。如果英偉達(dá)放棄FP32，全改為張量核心，那么算力上1000TOPS易如反掌，但英偉達(dá)還是考慮Orin盡可能地覆蓋更大的市場，畢竟汽車市場太小了，所以添加了CUDA核心。

再以華為為例，華為每個(gè)計(jì)算核心里有三種運(yùn)算資源，分別是標(biāo)量、矢量和張量，張量基本可等同于AI運(yùn)算。

圖片來源：華為

其中張量計(jì)算即圖中的3D CUBE，每個(gè)CUBE包含4096個(gè)FP16 MACs，8192個(gè)INT8 MACs，一個(gè)MAC是包含兩個(gè)Ops，因此如果運(yùn)行頻率是1GHz，那FP16算力就是1G*2*4096=8TOPS。INT8算力就是16TOPS。FP16也可以在INT8下運(yùn)算，此時(shí)算力翻倍，合計(jì)就是32TOPS算力。

AI芯片嚴(yán)格來講，AI加速器和GPU都是針對并行計(jì)算設(shè)計(jì)的，在CNN時(shí)代非常合適，但在后CNN時(shí)代，出現(xiàn)了很多串行計(jì)算，對AI加速器非常不友好，對CPU和DSP非常友好。例如NMS。Transformer就是如此，它不僅需要串行計(jì)算算力，還需要足夠的存儲(chǔ)帶寬支持，單純的AI算力數(shù)值在Transformer面前毫無意義。實(shí)際不僅Transformer，很多CNN的變種也是如此，如目前主流的YOLOV4、YOLOV5、RESNET50。

我們把AI算子分為串行型和并行型，其中串行型通常都是逐點(diǎn)元素型element-wise，它有兩個(gè)特點(diǎn)，一是通常是串行運(yùn)算，二是有大量的存儲(chǔ)數(shù)據(jù)動(dòng)作，非常消耗存儲(chǔ)帶寬。它們對算力需求很低，但存儲(chǔ)要求很高，最適合此類運(yùn)算的是DSP，因?yàn)镈SP是哈佛架構(gòu)，數(shù)據(jù)和指令總線分開，效率高。但DSP編譯器非常難搞，只能用在汽車這種封閉體系內(nèi)。其次是CPU，通用性很強(qiáng)，針對并行計(jì)算的GPU和AI芯片不適合此類逐點(diǎn)運(yùn)算，遇到此類計(jì)算，通常都是退回到CPU中運(yùn)算，這也是為何英偉達(dá)和微軟都要費(fèi)盡心機(jī)自研CPU的主要原因。

微軟剛剛發(fā)布的自研CPU：Cobalt 100，采用128核心ARM NeoverseN2架構(gòu)。

Transformer的計(jì)算過程

上圖是Transformer的計(jì)算過程，在此計(jì)算過程中，矩陣乘法是典型的計(jì)算密集型算子，也叫GEMM，通用矩陣乘法。存儲(chǔ)密集型算子分兩種，一種是矢量或張量的神經(jīng)激活，多非線性運(yùn)算，也叫GEMV，也就是通用矩陣矢量乘法。另一種是上面說的逐點(diǎn)元素型element-wise。

圖片來源：Samsung

上圖是三星對GPT大模型workload分析，在運(yùn)算操作數(shù)量上，GEMV所占的比例高達(dá)86.53%，在大模型運(yùn)算延遲分析上，82.27%的延遲都來自GEMV，GEMM所占只有2.12%，非線性運(yùn)算也就是神經(jīng)元激活部分占的比例也遠(yuǎn)高于GEMM。

圖片來源：Samsung

上圖是三星對GPU利用率的分析，可以看出在GEMV算子時(shí)，GPU的利用率很低，一般不超過20%，換句話說80%的時(shí)間GPU都是在等待存儲(chǔ)數(shù)據(jù)的搬運(yùn)。還有如矩陣反轉(zhuǎn)，嚴(yán)格地說沒有任何運(yùn)算，只是存儲(chǔ)行列對調(diào)，完全是存儲(chǔ)器和CPU在忙活。解決辦法很簡單且只有一個(gè)，就是用HBM高寬帶內(nèi)存，缺點(diǎn)很明顯，很貴，完全無法用在汽車領(lǐng)域。

除了Transformer外，還有一些新技術(shù)，典型的有NMS和Depthwise，后者在移動(dòng)領(lǐng)域如手機(jī)上非常常見，如MobileNets架構(gòu)。NMS則在車載領(lǐng)域流行，是Non-Maximum Suppression的縮寫，即非極大值抑制。其思想是搜索局部最大值，抑制非極大值。NMS算法在不同應(yīng)用中的具體實(shí)現(xiàn)不太一樣，但思想相同。NMS在計(jì)算機(jī)視覺任務(wù)中得到了廣泛的應(yīng)用，例如邊緣檢測、人臉檢測、目標(biāo)檢測（DPM，YOLO，SSD，F(xiàn)aster R-CNN）等。NMS對傳統(tǒng)的卷積加速或者說AI專用芯片就很不友好。

非極大值抑制的流程如下：根據(jù)置信度得分進(jìn)行排序，選擇置信度最高的比邊界框添加到最終輸出列表中，將其從邊界框列表中刪除，計(jì)算所有邊界框的面積，計(jì)算置信度最高的邊界框與其它候選框的IoU。刪除IoU大于閾值的邊界框，重復(fù)上述過程，直至邊界框列表為空。排序部分是典型的串行計(jì)算，AI芯片完全無法加速。實(shí)際類似NMS的計(jì)算不少，這類計(jì)算用DSP加速是最合適的。

Synopsys提出一種新方法，就是給NPU增加一個(gè)矢量DSP來處理此類計(jì)算。Depthwise也適合用DSP處理，手機(jī)上流行的Mobilenets是Depthwise典型代表，對NPU來說不合適，這也是高通手機(jī)AI特別強(qiáng)的地方，高通一直是堅(jiān)持用DSP的，當(dāng)然DSP不適合做并行計(jì)算。

AWS兩代Inferentia對比

上圖是亞馬遜兩代Inferentia的對比，二代Inferentia是在2023年4月發(fā)布的，針對Transformer做了優(yōu)化，每個(gè)NeuronCore-v2都是一個(gè)獨(dú)立的異構(gòu)計(jì)算單元，具有四個(gè)主要引擎：張量（Tensor）、向量（Vector）、標(biāo)量（Scalar）和GPSIMD引擎。張量引擎針對矩陣運(yùn)算（基本可等同于卷積運(yùn)算甚至傳統(tǒng)AI運(yùn)算）進(jìn)行了優(yōu)化。標(biāo)量引擎針對ReLU（整流線性單元）函數(shù)等元素運(yùn)算進(jìn)行了優(yōu)化。向量引擎針對非元素向量操作進(jìn)行了優(yōu)化，包括批量歸一化或池化。GPSIMD類似于DSP，不過主要做控制流運(yùn)算符。

Transformer時(shí)代，傳統(tǒng)的AI芯片難以生存，某種意義上講，傳統(tǒng)的AI芯片不存在了，因?yàn)門ransformer需要標(biāo)量（CPU）、向量（矢量，GPU）、張量、逐點(diǎn)矢量（DSP）運(yùn)算資源，把這么多資源整合在一起，顯然不能叫AI芯片了。

免責(zé)說明：本文觀點(diǎn)和數(shù)據(jù)僅供參考，和實(shí)際情況可能存在偏差。本文不構(gòu)成投資建議，文中所有觀點(diǎn)、數(shù)據(jù)僅代表筆者立場，不具有任何指導(dǎo)、投資和決策意見。