芯东西8月27日报道，一年一度的夏季芯片顶会Hot Chips 2024正在斯坦福举行，在生成式AI热潮下，果不其然AI计算全面霸场，AI辅助芯片设计、AI计算、AI芯片等成为焦点议题。
当地时间周一上午，高通、英特尔分享AI PC处理器设计，IBM公布新一代处理器和AI加速器，加拿大AI芯片创企Tenstorrent展示独立AI计算机及其编程模型，SK海力士分享AI专用计算内存解决方案。
下午更是AI芯片的专场，英伟达披露Blackwell架构细节，美国AI芯片独角兽SambaNova解读如何突破万亿级参数规模的AI计算障碍，英特尔讲解AI训练芯片Gaudi 3，AMD分享Instinct MI300X生成式AI加速器，博通展示具有光学粘接的AI计算ASIC，美国AI芯片创企FuriosaAI介绍采用创新架构的云端AI芯片RNGD。
其中，IBM和FuriosaAI都在Hot Chips大会上首发AI芯片新品。
IBM宣布推出内置AI加速器的新一代
Telum II
大型机处理器。Telum芯片上的AI加速引擎可以处理传统的机器学习，AI加速器
Spyre
则进一步实现了在大型机处理器上部署最新大语言模型。
▲Tellum II片上AI处理器（图源：IBM）
Telum II和Spyre采用三星5nm制程工艺。Spyre具有1TB内存，每个芯片都有32个计算核心，支持八卡协同工作，每张卡功耗不超过75W。
另一个令人印象深刻的全新AI芯片是
RNGD
，发音为“Renegade”，专为数据中心里的高性能、高效大语言模型和多模态模型推理而设计。
▲Furiosa张量收缩处理器（TCP）
RNGD是一款张量收缩处理器（TCP，Tensor Contraction Processor），是FuriosaAI打造的第二代数据中心AI芯片，定位为“英伟达GPU的替代品”。
该芯片采用台积电5nm制程工艺，Die面积为653mm²，内置400亿颗晶体管，频率为1.0GHz，具有256MB片上SRAM，配备48GB HBM3、内存带宽为1.5TB/s，
可在单张卡上高效运行Llama 3.1 8B等大语言模型
，提供最高可达
512TFLOPS（FP8）
和
1024TOPS（INT4）
的计算能力。
其他基础规格包括支持PCIe Gen5 x16互连、被动散热解决方案，热设计功耗（TDP）仅为
150W
。相比之下，游戏PC中的GPU可能更耗电，目前市面上一些领先GPU的热设计功耗更是超过了1000W。
目前，该芯片正在向早期试用客户提供样品，将于今年晚些时候推出，预计
2025年
初广泛上市。
更多技术细节可参见TCP研究论文。该论文最近被国际计算机架构研讨会ISCA接收。
FuriosaAI成立于2017年，奉行专注于快速迭代和产品交付的战略。其创始人是三名硬件和软件工程师。他们曾在AMD、高通、三星等芯片巨头处工作数十年。
▲FuriosaAI联合创始人兼首席执行官June Paik
在创立早期，FuriosaAI首先先花了几年时间测试和验证其自研TCP架构背后的理念。完成这项基础工作后，这家创企于2021年与三星和华硕合作推出了第一款基于TCP架构的Vision NPU作为商业产品。
vision NPU专为计算机视觉工作负载而设计。2022年，FuriosaAI是唯一一家向行业标准MLPerf推理基准提交结果的AI芯片创企。测试结果显示，其第一代Vision NPU在视觉任务中的表现优于英伟达A2芯片。
在用第一代验证了TCP设计后，FuriosaAI设计了RNGD来运行要求更严格的AI算法。第二代芯片RNGD的研发于2022年启动，今年5月收到台积电交付的第一批硅片样品，不到一周后就启动了硬件，6月初运行Llama 3.1模型，几周后全面完成RNGD的实现，7月始向早期客户交付RNGD芯片并进行了大语言模型演示。
FuriosaAI称RNGD的一大亮点是“解决了数据中心大规模AI推理的实际问题”，是一款真正能运行Llama 3.1 70B等模型的实际产品。
如今，在生产环境中运行大语言模型和多模态模型既困难又昂贵，即使不考虑购买高性能GPU的巨额前期成本，企业还必须应对令人瞠目结舌的电费、复杂且昂贵的液体冷却系统，以及从未设计过的服务器机房基础设施。
而RNGD芯片的TDP低至
150W
，能轻松运行
Llama 3.1
，还具有
可编程性
，
用一块芯片解决三大挑战
，是一款“数据中心真正需要的芯片”。
▲Furiosa第二代数据中心AI芯片RNGD
在论文中，FuriosaAI团队提供了运行Llama 2 7B模型时，RNGD 与领先GPU之间的基础配置和示例性能比较。
TCP的每瓦性能分别是H100和L40S的
2.7倍
和
4.1倍
。
其论文说明了RNGD和GPU如何以不同的方式管理内存。在Llama 2 7B中，前馈网络的第一次计算必须存储中间激活的输出，同时加载下一层约4400万个权重。在RNGD芯片中，256MB的片上内存不仅可以存储前馈网络的所有中间张量，还可以预取下一层的权重。
GPU必须将数据从全局L2缓存或DRAM再次加载到共享内存中。但使用RNGD，前馈网络第一层的计算输出可以直接用于下一层的计算，而无需片上内存的任何移动。换句话说，RNGD仅消耗一次内存带宽来加载权重，而GPU不仅要加载权重，还要加载中间激活结果。此外，即使使用L2缓存，也需要额外的成本来全局遍历片上网络。
新的RNGD测试表明，
运行Llama 3.1和GPT-J等大语言模型，RNGD可以取得显著高于H100、L40S的能效比
。
对于有约100亿个参数的模型，单张RNGD PCIe卡可提供每秒2000~3000个token的吞吐量性能，具体取决于上下文长度。
RNGD在运行OpenAI的GPT-J 6B模型时，每秒能处理大约12~15个查询。与其他AI芯片的性能、功耗对比如下：
有意思的是，FuriosaAI似乎对其他同行的营销行为感到不屑，在其新闻稿及博客文章中多次拉踩同行的炒作行为，比如：
“迄今为止，Furiosa一直刻意保持低调，因为我们知道，行业不需要对尚不存在的事物进行更多的炒作和大胆的承诺。（此外，Furiosa 95%的工程师都是工程师，因此营销并不是首要考虑的问题。）”
“一些新技术产品之所以能引起轰动，是因为它们拥有出色的营销平台。或者对尚不存在的产品进行了华丽的渲染。或者从最精通媒体、收集独角兽的沙山路梦想家那里获得了数十亿美元的风投资金。那不是FuriosaAI。”
生成式AI时代最火AI芯片峰会下月来袭！
9月6-7日，智猩猩发起主办的2024全球AI芯片峰会将在北京盛大举行。峰会设有开幕式、数据中心AI芯片专场、边缘/端侧AI芯片专场、智算集群技术论坛等7大板块。目前，来自AMD、高通、Habana、壁仞科技、摩尔线程、苹芯科技、亿铸科技、凌川科技、云天励飞、中国移动研究院、北极雄芯等40+企业的嘉宾已确认演讲或讨论。扫码申请免费票或购票参会～
RNGD采用创新的非矩阵乘法、张量收缩处理器（TCP）架构。FuriosaAI称这一架构“可实现能效、可编程性和性能的完美平衡”。
▲FuriosaAI RNGD 芯片的硬件样本
FuriosaAI首席技术官Hanjoon Kim认为，为了实现AI普惠，AI硬件除了能够并行执行多项计算之外，还必须提供两个关键功能：
可编程性
与
能效
。
可编程性能够更好适应快速发展的AI模型创新，可通过GPU实现，但通常并不容易。使用新模型获得最佳性能，往往需要手动调整内核和其他耗时的编译器优化。能效也是GPU架构的一个主要限制，每一代GPU耗电都比上一代多得多，最新硬件的每块芯片功耗超过了1000W。
为了使高性能AI计算可持续且广泛使用，FuriosaAI开发了一种新的芯片架构——
张量收缩处理器（TCP）
。
TCP架构是围绕AI的核心计算构建的，由粗粒度处理单元（PE）组成，可以比GPU
更高效地管理数据和内存
，提供了运行高性能生成式AI模型（如Llama 3）的计算能力，并显著提高了能效。
它还具有
高度可编程性
，由一个“强大的编译器”实现。该编译器经过联合设计，针对TCP进行了优化，可将整个AI模型视为单一融合操作，支持自动部署和优化新模型。
“这是GPU无法实现的，因为它们会动态分配资源，因此很难准确预测性能。”Hanjoon Kim在博客文章中写道。
TCP架构中的PE由一个CPU核心、一个执行大规模张量操作的张量单元和一个张量DMA引擎组成，用于传输张量。张量单元是一个实体，配备32MB SRAM和64TOPS，通过不断地从SRAM中获取输入张量、处理操作并将结果提交回SRAM来加速张量操作。
当一个张量操作运行时，向量和内存操作可以并行执行，有效地将它们的执行时间隐藏在张量操作的执行时间内，这有助于提高张量单元的利用率。为了实现这种并行操作，每个切片通过并发运行多个上下文，来执行张量收缩和向量操作。
Fetch单元依次从数据内存片访问张量，并将它们传递给操作单元。Fetch网络支持跨多个片的数据重用。
收缩引擎（CE）在两个张量之间执行点积运算。其数据路径由feed单元、寄存器文件、点积引擎（DPE）和累积单元组成。它们由操作顺序器控制。DPE从feed单元和寄存器文件接收两个输入向量，每次输入可容纳32 BF16值、64 FP8值、64 INT8值或128 INT4值。输入元素的数量也表示指定输入类型的最大吞吐量。
下图是处理非线性函数、元素操作、约简和类型转换的向量引擎（VE），由多个功能单元组成集群，编译器可以通过形成链来对其进行流水线处理。功能单元实现了INT32/FP32上的各种算术和逻辑运算，支持INT4/8/16/32、FP8、FP16/BF16、FP32的各种类型转换和量化。
编译器在TCP计算中探索张量形状的可能选择及其顺序，并尝试为给定的性能和功耗要求提供最佳配置。
Hanjoon Kim称，对于所有芯片架构，在DRAM和芯片处理元件（PE）之间传输数据，比执行计算本身所消耗的能量要多得多（多达10000倍）。
为了高效地实现AI算法，芯片必须通过重复使用已存储在片上内存中的数据，来最大限度地减少数据移动。如果数据可以分成可预测、可重复的模式或片段，它通常可以多次使用。
对于大语言模型和其他生成式AI这些涉及大量数据、规模大道无法放进片上内存，
数据重用
尤为重要，是提高能效和整体性能的有效策略。
AI模型中的矩阵乘法实际上是一种更通用的运算，称为
张量收缩
。
张量收缩泛化了矩阵乘法，支持更复杂、更高效的数据交互，通过在单个操作中组合多个维度上的元素来减少计算开销。这不仅利用张量固有的多维性质实现更广泛的并行性，而且还增强了这些操作之间的数据重用。
当张量被展平或分解为二维矩阵时，这种并行性通常会被破坏。例如，语言模型的输入可能是三维张量，其批处理大小、序列长度和特征的轴各不相同。将其重新整形为二维矩阵可能会掩盖不同序列之间的区别。这使得利用数据包含多个并行文本序列这一事实变得更加困难。
Furiosa的TCP架构旨在解决这些限制，并最大限度地提高数据重用率。
与GPU不同，TCP的基本数据结构是
张量
，它执行的基本操作是
张量收缩
。这意味着TCP在执行计算之前不需要采取额外的步骤将张量划分为二维矩阵。
RNGD芯片包含8个相同的处理元件，它们可以独立运行，也可以在需要时“融合”在一起。每个处理元件有64个“切片”，每个切片都有一个计算管道和SRAM，用于存储正在处理的张量的分区部分。
数据还可以通过提取网络多播（而不仅仅是复制）到多个切片的操作单元。这大大减少了SRAM访问次数，并提高了数据重用率。调度是通过硬件结构明确完成的，而不是作为线程，与GPU相比，这大大简化了数据路径。
下图是Key和Value张量的简化图示，它们是Transformer模型中使用的多维数据结构。
此简化示例中的每个张量都有单独的维度，用于序列长度、输入标记和注意力头的数量。这两个张量分别细分为较小的分区张量，然后从DRAM传输到TCP芯片中每个处理元件的SRAM中。从DRAM读取数据比使用数据执行计算更耗电，因此TCP架构旨在最大限度地重复使用已存储在SRAM中的数据。
一旦将它们存储在每个切片的SRAM中，Key和Query分区张量就可以被划分为一维向量，而无需先将它们划分为二维矩阵。每个切片从Query分区张量中获取向量，并将它们从SRAM“流式传输”到点积引擎，在那里进行计算。数据还会从每个切片的SRAM多播到其他切片，从而实现更大的数据重用，而无需额外的DRAM读取。（注：多播数据通过获取网络路由器传送，但此简化图中未显示。）
