電子發燒友網報道（文/周凱揚）深度學習硬件在AI時代已經引領了不少設計創新，無論是簡單的邊緣推理，還是大規模自然語言模型的訓練，都有了性能上的突破。作為業內在深度學習上投入最多的公司之一，英偉達無疑是這類硬件的領軍者。

近日，在伯克利大學的電子工程與電腦科學學院研討會上，英偉達的首席科學家、研究部門高級副總裁同時兼任該校副教授的BillDally，分享了從他這個從業人士看來，發生在深度學習硬件上的一些趨勢。

硬件成為限制

AI的浪潮其實早在20世紀就被多次掀起過，但真正成為人們不可忽視的巨浪，還是這十幾年的事，因為這時候AI有了天時地利人和：算法與模型，大到足夠訓練這些模型的數據集，以及能在合理的時間內訓練出這些模型的硬件。

但從帶起第一波深度學習的AlexNet，到如今的GPT-3和TuringNLG等，人們不斷在打造更大的數據集和更大的模型，加上大語言模型的興起，對訓練的要求也就越來越高。可在摩爾定律已經放緩的當下，訓練時間也在被拉長。

基于Hopper架構的H100GPU/英偉達

以英偉達為例，到了帕斯卡這一代，他們才真正開始考慮單芯片的深度學習性能，并結合到GPU的設計中去，所以才有了Hopper這樣超高規格的AI硬件出現。但我們在訓練這些模型的時候，并沒有在硬件規模上有所減少，仍然需要用到集成了數塊HopperGPU的DGX系統，甚至打造一個超算。很明顯，單從硬件這一個方向出發已經有些不夠了，至少不是一個“高性價比”的方案。

軟硬件全棧投入

硬件推出后，仍要針對特定的模型進行進一步的軟件優化，因此即便是同樣的硬件，其AI性能也會在未來呈現數倍的飛躍。從上個月的MLPerf的測試結果就可以看出，在A100GPU推出的2.5年內，英偉達就靠軟件優化實現了最高2.5倍的訓練性能提升，當然了最大的性能提升還是得靠H100這樣的新硬件來實現。

BillDally表示這就是英偉達的優勢所在，雖然這幾年投入進深度學習硬件的資本不少，但隨著經濟下行，不少投資者已經喪失了信心，所以不少AI硬件初創公司都沒能撐下去，他自己也在這段時間看到了不少向英偉達投遞過來的簡歷。

他認為不少這些公司都已經打造出了自己的矩陣乘法器，但他們并沒有在軟件上有足夠的投入，所以即便他們一開始給出的指標很好看，也經常拿英偉達的產品作為對比，未來的性能甚至比不過英偉達的上一代硬件，更別說Hopper這類新產品了。

加速器

相較傳統的通用計算硬件，加速器在深度學習上明顯要高效多了，因為加速器往往都是作為一種專用單元存在的，比如針對特定的數據類型和運算。加速器可以在一個運算周期內就完成通常需要花上10秒或100秒才能完成的工作量，效率最高可提升1000倍。

A100和H100的MLPerf跑分/英偉達

當然了要追求純粹的性能提升，而不是效率提升的話，這些加速器也可以采用大規模并行設計，比如典型的32x32矩陣乘法單元，同時運行的運算有了千百倍的提升。加速器在內存設計上也更具有優勢，比如針對特定的數據結構和運算，選擇優化過的高帶寬低能耗內存，同時盡可能使用本地內存，減少數據搬運來控制開銷。

對于英偉達來說，他們在加速器上的研究更像是為GPU準備的試驗田，一旦有優秀的成果出現，這些加速器就會成為GPU上的新核心。

小結

從BillDally的分享中，我們可以看出英偉達這樣的巨頭在深度學習上選擇的技術路線，以及他們為何能在眾多初創公司涌現、大廠入局的當下巋然不動的底氣。這并不是說深度學習硬件的道路只有這一條，類腦芯片等技術的出現也提供了新的破局機會，但有了前人經驗的借鑒后，在兼顧性能、數值精度、模型的同時，還是得在軟件上下大功夫才行。