声明:本文来自于微信公众号新智元，作者:新智元，授权Soraor转载发布。
【新智元导读】MLPerf Inference发布了最新测试结果，英伟达最新的Blackwell架构芯片上场与谷歌、AMD同场竞技，展现出明显的性能提升，甚至刷新了部分任务上的测试纪录。
大语言模型（LLM）推理是一个全栈挑战。
为了实现高吞吐量、低延迟的性能，不仅需要强大的GPU，还需要高带宽的芯片互连技术、高效的加速库以及高度优化的推理引擎。
就在刚刚，MLCommons发布了基准测试套件MLPerf Inference v4.1的最新测试结果，此次发布涵盖了专家混合（MoE）模型架构的首次评测结果，展示了与推理功耗相关的新发现。
MLCommons在最新的AI基准测试中添加了MoE模型
MLPerf是一个流行且得到广泛认可的测试套件，以架构中立、具有代表性和可重复的方式提供机器学习系统的性能基准测试，每年更新两次
本轮测试的参赛者如下:
AMD MI300x加速器（已上市）
AMD EPYC 「Turin」 CPU（预览版）
Google 「Trillium」 TPUv6e加速器（预览版）
Intel 「Granite Rapids」 Xeon CPU（预览版）
NVIDIA 「Blackwell」 B200加速器（预览版）
UntetherAI SpeedAI240Slim（已上市）和SpeedAI240加速器(预览版)
Blackwell首秀大放异彩
其中，英伟达在这一轮测试中的提交带来了许多令人瞩目的结果。亮点包括:
首次使用Blackwell 架构，相较于上一代的H100GPU，在Llama270B上实现高达4倍的性能提升
针对每个数据中心的工作负载上，H200相较于H100的性能提升高达1.5倍
得益于软件改进，H200在这一轮的提交相比上一轮的预览版本，性能提升高达27%
首次使用Triton推理服务器提交Llama270B，性能与TensorRT-LLM相似
在边缘推理类中，相较于上一轮使用Jetson AGX Orin平台的结果，本轮GPT-J基准测试中的性能提升高达6.2倍
Blackwell架构首次亮相还要追溯到今年3月的GTC大会上。这个还没投入量产的最新款芯片由2080亿个晶体管构成，采用台积电为英伟达量身定制的4nm工艺，是有史以来最大的GPU。
此外，Blackwell架构还配备了第二代Transformer引擎，结合了新的Blackwell Tensor Core技术和TensorRT-LLM创新，能够实现快速且精确的FP4AI推理。
本轮MLPerf是英伟达首次提交Blackwell。在Llama270B模型上测试时，B200GPU的token吞吐量比H100GPU高出了4倍。
对于参数量更大的模型，比如1.8T的GPT-MoE，Blackwell的优势更加明显，相比H100甚至实现了30×的性能提升。
Blackwell成功的原因之一就是使用4位浮点精度（FP4）运行模型。
事实上，减少浮点数的位数也一直是提高推理效率的常用手段，H100就引入了FP8精度，而这次Blackwell更是在MLPerf提交中创下了浮点位数新低。
英伟达产品营销总监Dave Salvator表示，使用如此低精度数字的最大挑战是保持准确性，为此，团队在软件方面进行了重大创新。
Blackwell成功的另一个重要因素是——内存带宽几乎翻倍，达到8TB/s;相比之下，H200为4.8TB/s。
虽然本次Blackwell仅以单芯片形式提交，但Salvator表示，它是为GPU网络和扩展而生的，与英伟达的NVLink互连技术结合可以呈现最佳效果。
Blackwell GPU支持多达18个NVLink同时以100GB/s带宽的连接，达到的总带宽就是1.8TB/s，大约是H100互连带宽的两倍。
H200性能再获提升
H200GPU采用了业界最快的AI内存技术——HBM3e。与H100相比，容量提高了1.8倍，带宽提高了1.4倍，十分利于内存敏感的应用场景。
H200在各模型上的测试结果，其中Llama270B使用功率为1000W的H200，其他结果均使用700W的H200
MLPerf在上一轮测试中首次引入Llama270B模型，代表流行的70B级别的参数稠密型LLM。
仅通过TensorRT-LLM的软件改进，H200运行Llama270B模型的性能就比前一轮的预览提交提高了多达14%。
本轮的关键改进包括XQA内核优化以及额外的层融合。
通过使用定制的散热解决方案，H200的热设计功耗 （TDP） 提高到了1000W，使得Llama270B基准测试的性能相比700W的H200额外提高了多达12%。
本轮中，英伟达还提交了使用 H200GPU运行Triton推理服务器的结果，表现与单机提交相似。
在Triton推理服务器的加持下，部署模型时无需在功能和性能之间进行取舍
从结果中可以看出，通过更广泛的模型级优化，可以实现性能的提升。
首先，应用深度剪枝和宽度剪枝，智能地移除对整体模型输出不太重要的层和MLP中间维度，大大减少了参数总数。
然后，为了恢复准确性，使用MLPerf OpenORCA开发数据集对模型进行了微调。
最终，剪枝后的模型有32层和14，336个MLP中间维度，相比原始模型的80层和28，672个中间维度有了显著减少。
虽然模型的准确率略低于99%的阈值，但体量显著变小，使得离线吞吐量高达11，189token/s，几乎是封闭组中其他模型吞吐量的3倍。
本轮MLPerf新增了Mixtral8x7B模型的工作负载，采用MoE架构，共包含8个专家，总参数量为46.7B，每个token使用2个专家和12.9B参数。
英伟达提交了H100和H200GPU使用TensorRT-LLM 软件以FP8精度运行Mixtral8x7B的结果。
在本轮中，H200的性能提高到每秒生成两张图像，与上一轮相比提升了27%，刷新了本项基准测试的纪录。
这些性能提升主要归功于对软件栈的几项关键优化，包括:
UNet FP8支持:使用了TensorRT 优化器，在FP8精度下满足了准确性要求，在Hopper GPU的逐轮性能提升中占据比例最大
VAE INT8支持:将某些层量化为INT8，其他层则量化为FP16，相比于上一轮使用的FP32实现了70%的性能提升，以及约4%的端到端速度提升
变分自编码器（VAE）批分割:SDXL管道中的VAE部分需要非常大的内存占用。通过采用批分割，将批大小从8增加到64，从而提高了性能
此外，在开放组提交中，英伟达结合了上述优化和LCM，将封闭组离线吞吐量在H200上加速了近5倍，达到每秒11个样本。
Jetson AGX Orin巨大飞跃
边缘的GenAI模型可以将传感器数据（如图像和视频）转化为具有强大上下文感知能力的实时可执行结果。
在英伟达软件栈的支持下，Jetson AGX Orin瞄准在边缘运行Transformer模型，如GPT-J、视觉 Transformer和Stable Diffusion，为边缘的生成式AI提供了高计算性能、大容量统一内存和全面的软件支持。
通过广泛的软件优化，在GPT-J6B模型的基准测试中，吞吐量提高了多达6.2倍，延迟改善了2.4倍。
这种性能提升得益于对TensorRT-LLM的众多软件优化，包括使用运行中批处理以及INT4激活感知权重量化（AWQ）。
AWQ将1%的「重要权重」用更高精度的FP16存储，但其余权重被量化为INT4精度，显著减少了内存占用，使得GPU可以一次处理更多数据批，大幅提高推理吞吐量。
AI推理，竞争白热化
虽然英伟达GPU 在AI训练方面的主导地位仍无可争议，而且新款Blackwell芯片的绝对性能很难被超越;但AI推理领域竞争对手正在迎头赶上，特别是在能效方面。
就像奥运会一样，MLPerf设置了许多类别，其中提交数量最多的是「数据中心封闭组」。
封闭组别（与开放相对）要求提交者在给定模型上按原样运行推理，而不进行重大软件修改。
数据中心组着重测试大量查询处理的能力，而边缘组侧重于最小化延迟。
每个类别包含9个不同的基准测试，针对不同类型的AI任务，包括流行的用例，如图像生成（类似Midjourney）和LLM问答(类似ChatGPT)，以及同样重要但不太知名的任务，如图像分类、物体检测和推荐引擎。
本轮比赛新增了一个名为「混合专家」的基准测试，这是LLM部署中的一个增长趋势，其中一个模型被分解为几个较小的、独立的模型，分别针对特定任务进行微调，如常规对话、解决数学问题和协助编程。
推理时，模型可以将用户输入的查询定向到相应的「专家模型」。
MLPerf推理工作组主席兼AMD技术组高级成员Miroslav Hodak表示，这种方法允许每个查询使用更少的资源，从而降低成本并提高吞吐量。
在数据中心封闭组中，每个基准测试的获胜者仍然是英伟达的H200GPU和GH200超级芯片。然而，仔细查看性能结果，就会发现更复杂的情况。
其中有些提交结果使用了多个芯片，有些则只使用了单个芯片;GH200芯片则是将GPU和CPU集成在同一封装中。
如果将每个提交结果的查询吞吐量按加速器数量进行归一化，且仅保留每种加速器类型的最佳成绩，则会出现一些有趣的细节。（需要注意的是，这种方法忽略了CPU和GPU互连技术的作用）
按每个加速器计算，英伟达的Blackwell在LLM问答任务上比所有以前的芯片高出2.5倍。
Untether AI的speedAI240Preview芯片在其唯一提交的图像识别任务中几乎与H200的表现持平。
相比之下，谷歌的Trillium的图像生成能力仅为H100和H200的一半多一点，而AMD的Instinct在LLM问答任务上与H100大致相当。
在纸面参数上，MI300X比H100和H200拥有更大的HBM容量和带宽（MI300X拥有192GB和5.2TB/s，而H200为141GB和4.8TB/s），且FLOPS也略高一些。
理论上，192GB足以在一个芯片上容纳整个Llama2-70B模型加上KV缓存，从而避免了将模型分割到多个GPU上带来的网络开销。
但在运行实际AI工作负载时，它并没有实现对H100的超越（差距在3-4%以内），相比于H200141GB则落后约30-40%。
众所周知，ASIC可以提供更高效的AI推理能力，但不如GPU那样全能。
不过，Untether.ai似乎打破了这个「魔咒」。
在Resnet-50上，SpeedAI240系列有着十分出色的能效表现——性能与H100-NV相当，但功耗要则低得多。
那么，Untether平台在LLM上的表现如何呢?
很遗憾，工程师并没能赶上MLPerf的DDL。不过，他们在完成了BERT基准测试的优化之后，还是把结果分享了出来。
同样，性能与H100-NVL相当，但在能效上具有超过3倍的优势。
AI芯片初创Cerebras的理念非常简单粗暴——把芯片做大到硅晶圆所能承载的极限，进而避免芯片之间的互连，并大幅提高设备的内存带宽。
虽然这次没有提交MLPerf测试，但Cerebras表示，自家平台在每秒token的生成上，要比H100快7倍、比Groq快2倍。
对此，首席执行官兼联合创始人Andrew Feldman表示:「今天我们处于生成式AI的拨号时代，这是因为存在内存带宽瓶颈。无论是H100。还是MI300或TPU，它们都使用相同的片外内存，并产生相同的限制。我们突破了这一点，因为我们是晶圆级的。」
另一家初创Furiosa则发布了基于张量收缩处理器（TCP）架构的第二代芯片RNGD(读作renegade)。
AI工作负载中的基本操作是矩阵乘法，通常作为硬件中的原语实现。然而，矩阵（一般称为张量）的大小和形状会有很大的差异。而RNGD则将这种更广义的矩阵——张量乘法作为原语来实现。
根据内部的测试，Furiosa在性能上与英伟达L40S芯片相当，且功耗仅为185瓦，相比之下，L40S则高达320瓦。
与此同时，IBM也发布了他们的Spyre芯片，用于企业生成式AI工作负载，预计将在2025年第一季度上市。
可以说，AI推理芯片的竞争是越来越激烈了。如此看来，这个市场在短时间内绝对会非常精彩。
参考资料:
https://spectrum.ieee.org/new-inference-chips
https://www.forbes.com/sites/karlfreund/2024/08/28/amd-narrows-the-gap-with-nvidia-in-new-mlperf-benchmarks/
https://developer.nvidia.com/blog/nvidia-blackwell-platform-sets-new-llm-inference-records-in-mlperf-inference-v4-1/
https://venturebeat.com/ai/mlcommons-mlperf-inference-4-1-benchmarks-moe-model-as-nvidia-blackwell-makes-its-testing-debut/
https://mlcommons.org/2024/08/mlperf-inference-v4-1-results/