從數(shù)據(jù)分析、經(jīng)典機器學習到搜索、推薦，再到語言處理和圖像識別，每個 AI 任務(wù)運行的背后都需要海量的數(shù)學計算。可以說，AI 真的就是數(shù)學，但卻是很多很多的數(shù)學。 尤其是在 AI 進入大模型時代的當下，模型的大規(guī)模訓練和推理更是對計算資源有著巨大的需求。但同時，算力的掣肘正在阻礙著 AI 走向大規(guī)模落地。 當前 AI 面臨的“數(shù)學題”都是何種難度？“算珠”又該如何撥弄得更快才能追得上不斷增長的計算需求呢？ 讓我們從 CPU 的 AI 算力談起。

1

大規(guī)模推理時代

深度學習加速的天花板在哪？

人工智能迎來第三次浪潮后，以深度學習為代表的AI已經(jīng)進入應(yīng)用階段。而深度學習 AI 需要進行大量矩陣乘法以訓練神經(jīng)網(wǎng)絡(luò)模型，并利用推理將這些模型應(yīng)用于實際任務(wù)。

也就是說，深度學習分為訓練和推理兩個階段，而推理則是推動AI大規(guī)模走向落地的關(guān)鍵。

訓練深度學習模型可能需要數(shù)小時或數(shù)天的算力。而深度學習推理可能需要幾分之一秒到幾分鐘，具體取決于模型的復雜程度和對結(jié)果的準確度的要求。在推理過程中，計算機將輸入數(shù)據(jù)與模型進行比較，然后推斷數(shù)據(jù)的含義。

讓人工智能落地更多是推理層面的工作，無論是推薦引擎、圖像識別、媒體分析、語言翻譯 、自然語言處理、強化學習等負載中推理性能的大幅提升對落地應(yīng)用的貢獻都十分重要。

在此背景下，硬件架構(gòu)將成為AI落地的重中之重。

而做大規(guī)模推理，CPU平臺具有較大優(yōu)勢——用戶學習門檻低、部署速度快等，在類似推薦系統(tǒng)的應(yīng)用中，CPU也擔當著算力支撐，那么如何提升CPU的AI算力？

CPU的算力取決于 CPU 特定加速指令集或運算單元的持續(xù)引入及改進，那么通過強化算力單元和增加算力單元數(shù)量并舉，即Scale-Up與Scale-Out相結(jié)合，提升CPU的AI算力。

回望英特爾歷代至強 可擴展處理器的深度學習加速技術(shù)（即DL Boost），已經(jīng)將這一提升路徑充分實踐并拉高優(yōu)化天花板：從第一代至強可擴展處理器引入的AVX-512——中低端型號每核心配備1個FMA單元、高端型號每核心配備2個FMA單元，到代號Ice Lake-SP的雙路第三代至強可擴展處理器將此類配置擴展到全系列產(chǎn)品，并將最高核心數(shù)從28增加至40個，CPU的向量處理能力得以大幅提升。

指令優(yōu)化方面，第二代英特爾至強 可擴展處理器引入了簡稱VNNI(Vector Neural Network Instruction，矢量神經(jīng)網(wǎng)絡(luò)指令)的擴展，提高了數(shù)據(jù)格式INT8推理的效率；代號Cooper Lake的第三代英特爾至強可擴展處理器又引入了數(shù)據(jù)格式bfloat16（BF16）加速功能，可以用于推理和訓練。 目前，前三代英特爾至強 可擴展處理器的加速路徑，主要依靠現(xiàn)有的計算單元，即AVX-512，配合指令集、算法和數(shù)據(jù)上的優(yōu)化，輸出AI算力。 但加速的天花板就到此為止了嗎？

還有別的思路——內(nèi)置硬件加速器，且與本就高性能的CPU內(nèi)核無縫配合，疊加buff推高天花板。

2

硬件直接“貼貼”加速

第四代至強內(nèi)置多種專用加速器

在今年11月，英特爾宣布將在2023年1月11日發(fā)布代號為Sapphire Rapids的全新第四代英特爾至強 可擴展處理器。

Sapphire Rapids將為廣泛的標量和并行工作負載提供跨越式的性能提升，更重要的是，它的基本架構(gòu)旨在實現(xiàn)彈性計算模型（如容器化微服務(wù)）的突破性性能，以及在所有形式的以數(shù)據(jù)為中心的計算中快速擴展 AI 的使用。

第四代英特爾至強可擴展處理器的核心數(shù)量有顯著增長，并支持DDR5、PCIe 5.0和CXL 1.1等下一代內(nèi)存和接口標準，在內(nèi)置硬件加速上，Sapphire Rapids也集成了5項加速器：

用于AI的高級矩陣擴展（Advanced Matrix Extensions），簡稱AMX；

用于數(shù)據(jù)分析的存內(nèi)分析加速器（In-Memory Analytics Accelerator），簡稱IAA；

用于5G/網(wǎng)絡(luò)的數(shù)據(jù)流加速器（Data Streaming Accelerator），簡稱DSA；

用于存儲的動態(tài)負載均衡器（Dynamic Load Balancer），簡稱DLB；

用于數(shù)據(jù)壓縮和加解密的QuickAssist技術(shù)，英特爾數(shù)據(jù)保護與壓縮加速技術(shù)，簡稱QAT。

首先，內(nèi)置加速器可以消除在將數(shù)據(jù)從 CPU 移至協(xié)處理器加速器時產(chǎn)生的大部分開銷。

同時，Sapphire Rapids還引入了加速器接口架構(gòu) (AIA)，解決了無縫集成加速引擎和高性能核心時面臨的關(guān)鍵挑戰(zhàn)——能夠處理 CPU 內(nèi)核與內(nèi)置加速器之間的數(shù)據(jù)高效調(diào)度、同步和信令傳遞，而不是高開銷內(nèi)核模式。

內(nèi)置的硬件加速器也易獲得更出色的性能，而不必將時間浪費在進行片外傳輸設(shè)置上。

AMX與上述其他4個加速器的一大區(qū)別，就是它本身就集成在了CPU核心內(nèi)，與AVX-512一樣，隨核心數(shù)同步增長，線性提升處理能力。

3

開啟全新計算單元

AMX升維加速深度學習工作負載

AMX與AVX-512又有什么區(qū)別？

AMX是全新的計算單元，有自己的存儲和操作電路，并行度高，以便為AI工作負載加速Tensor運算，支持bfloat16和INT8兩種數(shù)據(jù)類型。

Tensor處理是深度學習算法的核心，AMX功能可以實現(xiàn)每個循環(huán)2000次int8運算和1000次bfloat16運算。

同時，AMX的寄存器（名為Tile）是二維的，寄存器組是三維的，均比AVX-512高一個維度，寄存器組存儲的數(shù)據(jù)相當于一個小型矩陣，這樣AMX 能夠在每個時鐘周期執(zhí)行更多矩陣乘法以每時鐘周期來看。

理論上，AMX的TMUL（矩陣乘法運算）對AVX-512的2個FMA（融合乘加操作）單元，INT8性能高達8倍；處理浮點數(shù)據(jù)，AMX使用動態(tài)范圍與FP32相當?shù)腂F16，性能可達AVX-512的16倍。

如此，有全新可擴展二維寄存器文件和全新矩陣乘法指令，可增強各種深度學習工作負載中推理及訓練性能，也就代表著計算能力的大幅提升，這些計算能力可以通過行業(yè)標準框架和運行時無縫訪問。

據(jù)今年1月數(shù)據(jù)表明，基于TensorFlow框架，INT8 精度下每秒檢測的圖像的數(shù)量增幅以及高達 6 倍多 BF16 精度下進行對象檢測時每秒檢測的圖像的數(shù)量增幅明顯增加：

56核的第四代英特爾 至強可擴展處理器全新的AMX，對比40核的第三代英特爾 至強可擴展處理器，在SSD-ResNet34上進行實時推理時，每秒處理的圖像數(shù)量增加高達4.5倍。（注：實際性能受使用情況、配置和其他因素的差異影響，且性能測試結(jié)果基于配置信息中顯示的日期進行的測試[1]）

當然AVX-512本身就以FP32、FP64等高精度浮點數(shù)據(jù)的運算見長，依然可以專注于如數(shù)據(jù)分析、科學計算、經(jīng)典機器學習等高精度計算。

如今第三代人工智能浪潮是以深度學習為代表，并非只有深度學習，AI的范圍正在不斷擴大，計算需求也在多元化，當人工智能的工作負載出現(xiàn)混合精度計算需求，AMX和AVX-512就可搭配使用，發(fā)展各自長處。

對于數(shù)據(jù)精度不高但要求高準確度的推理場景，如圖像識別、推薦引擎、媒體分析、語言翻譯、自然語言處理（NLP）、強化學習等典型AI應(yīng)用場景，AMX其實屬于降維打擊，可發(fā)揮空間很大。

根據(jù)預(yù)告，英特爾第四代至強可擴展處理器是處理AI等更現(xiàn)代化、更新興并行工作負載的基礎(chǔ)設(shè)施，在進行整體設(shè)計時也考慮到了未來技術(shù)發(fā)展趨勢——絕大多數(shù)新的可擴展服務(wù)將采用容器化微服務(wù)等彈性計算模型進行開發(fā)。

新版Windows、Linux Kernel和虛擬化軟件也確實都具備支持AMX指令集的條件，所謂“引領(lǐng)”就是要更先一步到達未來。

1月11號，讓我們期待至強新品的發(fā)布和更多信息吧~可以先點擊閱讀原文，提前了解至強產(chǎn)品組合~

審核編輯 ：李倩