12月2日，AI芯片初創(chuàng)公司Graphcore（擬未科技）正式公布其參與MLPerf測試（MLPerf V1.1）的最新結(jié)果,。Graphcore在本次提交了ResNet-50模型的Closed Division（封閉分區(qū)）以及BERT模型的Closed Division,、Open Division（開放分區(qū)）。結(jié)果顯示,，與首次提交的MLPerf訓(xùn)練（MLPerf V1.0）結(jié)果相比,，對于計(jì)算機(jī)視覺模型ResNet-50，Graphcore通過軟件優(yōu)化,，在IPU-POD16上實(shí)現(xiàn)了24%的性能提升,，在IPU-POD64上實(shí)現(xiàn)了41%的性能提升；自然語言處理模型BERT在IPU-POD16上實(shí)現(xiàn)了5%的性能提升,，在IPU-POD64上實(shí)現(xiàn)了12%的性能提升,。此次MLPerf測試結(jié)果證明了Graphcore的IPU系統(tǒng)越來越強(qiáng)大、高效,，軟件日益成熟且更快,、更易使用。

Graphcore中國工程總負(fù)責(zé)人,、AI算法科學(xué)家金琛指出,，本次測試結(jié)果展現(xiàn)的性能顯著提升主要?dú)w功于Graphcore對軟件的優(yōu)化，涵蓋對應(yīng)用程序,、框架,、系統(tǒng),、編譯器,、核函數(shù)的優(yōu)化?！斑@些優(yōu)化在不同模型上都有所體現(xiàn)。大家都知道，很多事情最開始的提升速度最快,，但越往后提升越困難,，通常需要80%的努力才能獲得20%的提升。Graphcore能獲得這些提升,，我們是做了非常多的工作的,。”她表示,。

Graphcore中國工程總負(fù)責(zé)人,、AI算法科學(xué)家金琛

縱向?qū)Ρ龋菏状渭{入系統(tǒng)集群，ResNet-50在IPU-POD256上的訓(xùn)練時(shí)間只需3.79分鐘

除了基于IPU-POD16和IPU-POD64提交的MLPerf V1.0測試,，這一次,，Graphcore首次納入了系統(tǒng)集群,，進(jìn)行了128顆（IPU-POD128）以及256顆（IPU-POD256）IPU集群的提交。如圖所示,，ResNet-50在IPU-POD16上的訓(xùn)練時(shí)間（Time to Train）為28.33分鐘,，隨著系統(tǒng)的增大，訓(xùn)練時(shí)間逐次遞減——在IPU-POD64上的訓(xùn)練時(shí)間為8.5分鐘,，在IPU-POD256上只需3.79分鐘,。“希望明年此時(shí),，我們能提供更大的集群,，讓ResNet-50的訓(xùn)練時(shí)間在1分鐘之內(nèi)完成，這是我們的目標(biāo),。”金琛表示,。

上圖顯示的是Graphcore提交的BERT-Large在MLPerf上的性能表現(xiàn)?！?strong>我們在IPU-POD16上的端到端訓(xùn)練,，在Closed Division上只需半個(gè)小時(shí)。如果把整個(gè)集群增大8倍,，我們的訓(xùn)練時(shí)間不到7分鐘,。隨著集群的增加，訓(xùn)練時(shí)間大幅縮短,，這會極大提高算法工程師迭代模型的效率,。在Open Division的提交方面，我們在IPU-POD64上的性能進(jìn)一步提高,，原因是IPU得到了優(yōu)化,，包括對訓(xùn)練策略、對訓(xùn)練優(yōu)化器超參以及對損失函數(shù)的優(yōu)化,。如圖所示,，我們基本上另外提高了20%，這非?？捎^,。這些優(yōu)化我們也應(yīng)用到了一些客戶上，得到了正面反饋,?！苯痂≈赋觥?/span>

橫向?qū)Ρ龋菏状蝺H通過軟件實(shí)現(xiàn)性能提升,，IPU-POD16性能優(yōu)于DGX A100

MLPerf同時(shí)對比了市面上Graphcore與NVIDIA的產(chǎn)品,。盡管GPU在ResNet-50模型上占據(jù)優(yōu)勢，測試結(jié)果仍然顯示Graphcore的IPU-POD16在ResNet-50方面的表現(xiàn)優(yōu)于NVIDIA的DGX A100。值得注意的是,，這是NVIDIA生態(tài)系統(tǒng)在MLPerf訓(xùn)練測試中的第五次亮相,，而Graphcore是第二次提交。Graphcore的這次提交也是其首次僅通過軟件實(shí)現(xiàn)了性能提升,。在ResNet-50上,，IPU-POD16首次超越了DGX A100的性能，其端到端的訓(xùn)練時(shí)間只用了28.3分鐘,，比DGX A100快了近一分鐘,。

如文章首段所提，IPU-POD16對ResNet-50的軟件驅(qū)動(dòng)性能提高了24%,，在IPU-POD64上對ResNet-50的軟件驅(qū)動(dòng)性能提升甚至更高,，達(dá)到41%，對于Graphcore具有里程碑式的意義,。在金琛看來,，NVIDIA的軟件庫已經(jīng)迭代許久，提升的空間可能會有所減緩,。Graphcore會持續(xù)迭代,、優(yōu)化自身的軟件棧及整個(gè)AI系統(tǒng)，久久為功,、保持勢頭,，不斷提升性能優(yōu)勢?！皟H通過兩次MLPerf的提交,，我們就能夠在GPU最主流的模型上超過GPU，這是讓我們非常自豪的一件事,，而且Graphcore在未來還有更大的提升空間,。”Graphcore大中華區(qū)總裁兼全球首席營收官盧濤補(bǔ)充道,，“以前我們一直強(qiáng)調(diào)IPU是一個(gè)極具創(chuàng)新的平臺,，適合做一些新的應(yīng)用，幫助創(chuàng)新者完成他們曾經(jīng)達(dá)成不了的任務(wù),。這次的測試結(jié)果證明IPU確實(shí)能在已經(jīng)成為主流的應(yīng)用上落地，能落地則意味著可觀的商業(yè)回報(bào),，這也是對行業(yè)而言比較重要的一個(gè)影響,。”

Graphcore大中華區(qū)總裁兼全球首席營收官盧濤

大規(guī)模集群性能擁有強(qiáng)大優(yōu)勢

本次Graphcore提交的集群是IPU-POD128和IPU-POD256,。除了IPU-POD16和IPU-POD64的時(shí)間優(yōu)勢之外,，IPU-POD128和IPU-POD256此次能取得優(yōu)異成績主要在于其軟件的可擴(kuò)展性。“我們在設(shè)計(jì)軟件的過程中考慮了很多因素,，比如大量優(yōu)化模型變形,、數(shù)據(jù)變形、Kernel變形,。同時(shí),，我們擁有非常細(xì)致的設(shè)計(jì)思路，讓用戶只需要寫一個(gè)腳本,、配置數(shù)據(jù)Replica的個(gè)數(shù),，就可以很自如地進(jìn)行從1個(gè)IPU到256個(gè)IPU的橫向擴(kuò)展?！苯痂≈赋?，“除了在框架層面進(jìn)行橫向擴(kuò)展，我們也在通信庫上做了很大一部分優(yōu)化,。這方面的優(yōu)化會為深度學(xué)習(xí)以及數(shù)據(jù)并行的深度學(xué)習(xí)帶來顯著影響,。關(guān)于BERT-Large訓(xùn)練中5%和12%的提升很大程度上源于我們對通信庫的改進(jìn)?！?/span>

據(jù)介紹,，Graphcore的系統(tǒng)擴(kuò)展可以應(yīng)用在更廣泛的應(yīng)用場景之中，包括用于自然語言處理的GPT類模型和用于計(jì)算機(jī)視覺的ViT（Transformer視覺模型）,?！拔覀兊南到y(tǒng)軟件設(shè)計(jì)及優(yōu)化對新模型、新架構(gòu)均非常適用,。IPU系統(tǒng)可以非常平滑地從16個(gè)IPU一直擴(kuò)展到256個(gè)IPU,。”金琛表示,。

以創(chuàng)新的計(jì)算機(jī)視覺模型EfficientNet-B4為例,，DGX A100端到端的訓(xùn)練時(shí)間為70.5小時(shí)（官網(wǎng)數(shù)據(jù)），而IPU-POD16端到端的訓(xùn)練時(shí)間是20.7個(gè)小時(shí),，前者約為后者的3.5倍,。隨著系統(tǒng)的增大，時(shí)間逐漸縮短,，EfficientNet-B4在IPU-POD256上的訓(xùn)練時(shí)間僅為1.8小時(shí),。“盡管這并非Graphcore本次向MLPerf提交的內(nèi)容,，但我們的大規(guī)模集群在實(shí)際應(yīng)用中的確具備更強(qiáng)的性能優(yōu)勢,。原來4天的訓(xùn)練時(shí)間現(xiàn)在只需2個(gè)小時(shí)，這會大大解放開發(fā)者的生產(chǎn)力,，是我們大集群非常大的一個(gè)吸引力,。”金琛解釋。

“我們第一版IPU-POD的硬件是在2020年的12月份宣布量產(chǎn)的,。一年內(nèi)的硬件集群的增加,、軟件的優(yōu)化，使得我們此次在IPU-POD256上的ResNet性能相較去年年底在IPU-POD16上的ResNet性能提高了50倍,，這是一個(gè)非常大的飛躍,。”盧濤認(rèn)為,，“我們的生態(tài)在過去半年中也取得了長足進(jìn)步,，擁有越來越多跨行業(yè)的商業(yè)用戶、商業(yè)案例研究,，例如天氣預(yù)測,、金融、保險(xiǎn),、電信,。”

回顧2021,，盧濤指出,，其自身遇到的最大的挑戰(zhàn)可以用三個(gè)字來形容——“周期比預(yù)期要長”。不過,，正如錘煉一柄傳世寶劍,，以精益求精之決心，歷經(jīng)千錘百煉后才能鍛造出去雜存精的好劍,。鑄劍的過程是痛苦的,，但寶劍內(nèi)在美好的本質(zhì)會被錘煉出來。這時(shí),，挑戰(zhàn)亦為收獲,。“2021年我們確實(shí)扎根產(chǎn)業(yè),，著力落地應(yīng)用場景,，但整體來說，AI應(yīng)用場景落地的整個(gè)鏈條很長,，因此把整個(gè)方案變?yōu)橐粋€(gè)產(chǎn)品是個(gè)挑戰(zhàn),。”盧濤告訴記者,。

兼具通用性與高性能,，IPU發(fā)展經(jīng)歷了“熱鬧的2021”，將迎來“美好的2022”

在盧濤看來,，2021年IPU的市場環(huán)境存在兩個(gè)特點(diǎn)：第一是應(yīng)用落地時(shí)間長于預(yù)期；第二是市場對IPU的期望強(qiáng)于預(yù)期?！敖衲昴甑讜r(shí),，我們發(fā)現(xiàn)市場的動(dòng)能、慣性以及活躍程度,，比年初時(shí)更為看好,。這背后的原因在于多種因素組合所帶來的積極推動(dòng)作用，例如用戶對市場,、對自己應(yīng)用的認(rèn)知,，對市場上各類處理器的認(rèn)知，還有我們自身框架,、應(yīng)用,、生態(tài)以及落地場景等方面的進(jìn)展。隨著更多資金的投入,，2021年的市場環(huán)境將比2020年更為熱鬧,。”盧濤告訴記者,。

他指出,，無論從計(jì)算機(jī)的體系結(jié)構(gòu)抑或是用戶角度來講，IPU都極具通用性：“從指令級,、架構(gòu)上來看,，IPU能夠進(jìn)行所有AI相關(guān)的業(yè)務(wù)，從CNN,、RNN到LSTM,，再到Transformer，所以IPU的通用性毫無疑問,。假如不講計(jì)算機(jī)的體系結(jié)構(gòu),，用戶判斷產(chǎn)品的通用與否主要依據(jù)以下兩點(diǎn)：第一、產(chǎn)品是否能開發(fā)出各種各樣的應(yīng)用,。如果不同的應(yīng)用都能開發(fā),，那么對用戶而言它就通用。第二,、對開發(fā)者來說,，產(chǎn)品是否便于針對各種應(yīng)用進(jìn)行編程。如果能夠編程,，那么對開發(fā)者而言它就通用,。所以從這兩個(gè)維度來看，IPU是一個(gè)非常通用的產(chǎn)品,?！?/span>

除此之外,，高性能也是IPU吸引用戶的關(guān)鍵因素。據(jù)介紹,，在金融案例中,，Graphcore的IPU產(chǎn)品比GPU快10倍；在保險(xiǎn)算法模型方面,，IPU比GPU快5倍,；天氣預(yù)測方面，歐洲案例證明IPU比CPU快50倍,、比GPU快5倍,；中國目前的場景顯示IPU能夠比CPU快60倍?！白罱?，斯坦福大學(xué)醫(yī)學(xué)院在差分隱私的使用方面取得了重大突破。通過使用Graphcore IPU,，斯坦福團(tuán)隊(duì)能夠?qū)⒕哂胁罘蛛[私的人工智能訓(xùn)練速度提高10倍以上,。IPU支持隱私計(jì)算非常吸引他們?！北R濤補(bǔ)充,。

談及IPU的技術(shù)發(fā)展趨勢，盧濤指出以下三點(diǎn)：

第一,，“Transformer-based everything”（基于Transformer的一切）,；

2017年，谷歌團(tuán)隊(duì)首先提出Transformer模型,，該模型最初被應(yīng)用于NLP領(lǐng)域,，成效卓著。如今在計(jì)算機(jī)視覺領(lǐng)域,、對話和語音領(lǐng)域,，Transformer同樣表現(xiàn)優(yōu)異。隨著GPT-2,、GPT-3,、AlphaStar等更多大模型重要成果的顯現(xiàn)，Transformer預(yù)計(jì)會為更多領(lǐng)域帶來革新,。

第二,，應(yīng)用規(guī)模會越來越大、越來越復(fù)雜,；

“之前大家比較關(guān)注單一的視覺任務(wù)和語音任務(wù),，后來AI又能應(yīng)用于文字、語言,、視頻,、圖像,，更加復(fù)雜，所謂稱之為‘多模態(tài)’,，這是一個(gè)重要趨勢,?！北R濤做出解釋,。

第三，AI融合科學(xué)計(jì)算,。

盧濤表示,，目前AI正在從互聯(lián)網(wǎng)、自動(dòng)駕駛等熱門場景向與傳統(tǒng)科學(xué)計(jì)算相結(jié)合的方向發(fā)展,。例如DeepMind今年發(fā)布的AlphaFold（蛋白質(zhì)方面的科學(xué)研究）,、AI用于天氣預(yù)測、宇宙學(xué)研究,、分子動(dòng)力學(xué)仿真等等,。

基于此，盧濤表示,，2022年Graphcore會相應(yīng)地在三點(diǎn)進(jìn)行發(fā)力：

第一,，加大基于Transformer的應(yīng)用上的投入。

ResNet于2016年10月發(fā)明,，BERT于2018年10月出現(xiàn),。因此，自2016年5月成立以來,，Graphcore在基于Transformer的應(yīng)用方面呈持續(xù)追趕態(tài)勢,。“我們處于追趕當(dāng)前市場霸主的位置,，別人已經(jīng)打磨很久了,、做了大量的優(yōu)化和工作?！北R濤表示,，“即便這樣，我們甚至只跟目前產(chǎn)業(yè)最領(lǐng)先的企業(yè)在transformer上只有三個(gè)月的差距,。所以我們會在Transformer-based everything方面加大投入,。”

第二,，混合語言,、語音、視頻,、圖片,，用AI進(jìn)行更復(fù)雜的應(yīng)用,。

第三，加大對AI與高性能計(jì)算,、科學(xué)計(jì)算融合的投入,。

企業(yè)的技術(shù)提升離不開人才建設(shè)，因此Graphcore也會持續(xù)加強(qiáng)人才儲備,。2021年初,，Graphcore中國團(tuán)隊(duì)只有20人左右，截至目前,，團(tuán)隊(duì)人數(shù)增長四倍,，達(dá)到80人。從全球來看,，公司總?cè)藬?shù)也從年初的400多人增長至如今的600多人,。據(jù)了解，隨著AI在科學(xué)計(jì)算上的應(yīng)用逐漸普適化,，Graphcore也會在科學(xué)計(jì)算方面儲備人才,。“天氣預(yù)測、分子動(dòng)力學(xué)等領(lǐng)域會給國計(jì)民生帶來深遠(yuǎn)影響,，所以不光在深度學(xué)習(xí),，我們也會在高性能計(jì)算領(lǐng)域與大家一同開拓創(chuàng)新?！苯痂「嬖V記者,。“我們會腳踏實(shí)地,，認(rèn)真務(wù)實(shí),，相信Graphcore‘?dāng)M未’會有更美好的未來?！北R濤在最后總結(jié),。