為什么說GPU再火，AI平臺也少不了強力的CPU

十三 2024-03-22 13:35:53 來源：量子位

金磊 夢晨 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

AIGC的這把火，燃起來的可不只是百模大戰(zhàn)的熱度和雨后春筍般的各式AI應用。

更是由于算力與通信需求的爆發(fā)式增長，使得底層的專用加速芯片、以及配備這些芯片的AI加速服務器再次被拉到了大眾的聚光燈下。

據統(tǒng)計，2023年全球范圍內的AI服務器市場規(guī)模已經達到了211億美元，并且IDC還發(fā)布預測說：

預計2025年達317.9億美元，2023-2025年CAGR為22.7%。

AIGC大模型的訓練和推理需要大量的高性能算力支持，對AI服務器需求還將提升。

而且AI加速服務器不同于普通服務器，在架構上一般采用異構的方式，且GPU的數量更是能配多少就配多少，這也就是造成目前GPU千金難求的因素之一。

但你知道嗎？即使在大模型時代GPU或各式AI加速芯片的光芒變得更加耀眼，但對于AI基礎設施來說，CPU依然是必不可少的存在——至少一臺高端的AI加速服務器中每8個GPU就需得搭配2個CPU。

不僅如此，由于AI加速服務器異構的特點，市場上除了CPU+GPU的組合方式之外，還有其它多種多樣的架構，例如：

• CPU＋FPGA
• CPU＋TPU
• CPU＋ASIC
• CPU＋多種加速卡

不難看出，即使AI加速服務器架構的組合方式萬般變化，唯獨不能變的就是CPU，而且往往還得是搭配高端的那種。

△圖源：由DALL·E生成

那么為什么會這樣呢？

AI加速服務器中的CPU

首先，CPU對于AI加速服務器來說相當于人的大腦。

它可以負責整個服務器的運算與控制，是直接影響到服務器整體性能的核心部件。

CPU處理操作系統(tǒng)的指令，協(xié)調各個硬件組件的工作，包括內存管理、數據流控制和I/O操作。

即使在AI服務器中，GPU或其他加速器負責執(zhí)行大部分計算密集型任務，CPU仍然是不可或缺的，因為它確保了整個系統(tǒng)的穩(wěn)定運行、各組件的高效通信協(xié)作，最終推進任務的順利執(zhí)行。

其次，CPU還具備靈活性和通用性。

CPU的設計一般為通用處理器，能夠執(zhí)行各種類型的計算任務。

雖然GPU在并行處理方面更為高效，但CPU在處理序列化任務、執(zhí)行復雜邏輯和運行通用應用程序方面更為靈活。

真正完整的AI應用平臺其實需要處理一系列密切相關又特色各異的任務，包括數據預處理、模型訓練、推理和后處理等，這些任務也可能甚至特別需要CPU的通用處理能力。

不僅如此，CPU還是系統(tǒng)啟動和維護的關鍵點。

因為服務器的啟動過程、系統(tǒng)監(jiān)控、故障診斷和維護操作都需要CPU來執(zhí)行；沒有CPU，這些關鍵的系統(tǒng)級任務將無法進行。

而且CPU在軟件兼容性方面更是有積累多年的優(yōu)勢。

市面上大多數軟件和應用程序都是為CPU設計的，包括操作系統(tǒng)、數據庫管理系統(tǒng)和開發(fā)工具。AI加速服務器需要運行這些軟件來支持AI應用的開發(fā)和部署。

也正如我們剛才所說，現在AI加速服務器均是采用異構的形式，CPU在此過程中可以作為控制節(jié)點，管理GPU或其他加速器的計算任務，以此來實現高效的資源分配和任務調度。

最后，便是成本的問題。

雖然GPU在AI計算中非常高效，但CPU或其他專用加速芯片仍然是成本效益較高的選擇，特別是在處理不適合GPU或加速器的任務時。CPU和它們的組合可以提供更佳的性能和成本平衡。

這也就不難理解為什么AI加速服務器里唯獨不能缺少CPU了。

那么接下來的一個問題便是，主流的服務器廠商都在用什么樣的CPU。

我們以國內AI加速服務器市場份額排第一的浪潮為例，從最新消息來看，其NE5260G7服務器便已經適配了老牌芯片巨頭英特爾最新發(fā)布的第五代英特爾? 至強? 可擴展處理器。

而之所以浪潮要適配最新的高端CPU，可以理解為“高端的游戲需要搭配高端GPU和CPU”，AI服務器要想在性能上取得新突破，同樣也是要適配高端的硬件。

具體而言，與前一代相比，第五代英特爾? 至強? 可擴展處理器在處理人工智能工作負載方面表現出色，其性能提升了21%，特別是在AI推理任務上，性能增幅更是達到了42%。

此外，它的內存帶寬也增加了16%；在執(zhí)行一般計算任務時，第五代至強? 可擴展處理器能夠將整體性能提高至多21%，并且在多個客戶實際工作負載中實現了每瓦特功耗性能提升高達36%。

也正因“內核”如此強悍，才使得浪潮的服務器在性能上實現了平均21%的提升。

不過有一說一，畢竟AI也不完全就是單純的模型或大模型的加速，因此上述的CPU優(yōu)勢也還僅是能力的一隅，在各個細分的應用場景中，它還有更大的作為。

AI不完全是大模型

即使在配備了GPU或專用加速器的AI服務器中，CPU的角色也遠不止于主控或為加速器提供服務。

而是在AI系統(tǒng)的整個生命周期中扮演著多樣化的角色，貫穿從數據采集、預處理、訓練、推理、應用等全流程。

先說最關鍵的AI模型，尤其是模型推理這一環(huán)節(jié)。

不論是現在占據最強話題熱度的大語言模型，還是傳統(tǒng)的深度學習模型，抑或是科學計算與人工智能交融形成的AI for Science應用，CPU，特別是內置AI加速能力的英特爾? 至強? 可擴展處理器，都在推理應用中有不俗戰(zhàn)績。

例如在AlphaFold2掀起的蛋白質折疊預測熱潮之中，借助第三代和第四代至強? 可擴展處理器不斷優(yōu)化端到端通量能力，就能實現比GPU更具性價比的加速方案，直接拉低AI for Science的入場門檻。

再例如OCR技術應用，也隨著至強? 可擴展處理器在內置AI加速技術上的演進，被賦予了新的“靈魂”，不但準確率飆升、響應延遲也進一步降低。

更別提以ChatGLM為代表的通用大模型，以及衛(wèi)寧、惠每等行業(yè)軟件或解決方案提供商輸出的行業(yè)特定場景的大模型應用，它們都提供了有力的實踐佐證，能驗證至強? 在大模型推理上的實力，以及相比加速器芯片更優(yōu)的成本，以及更易獲取，更易部署、優(yōu)化和使用的優(yōu)勢。

不信你就瞧瞧我們的最“In”AI專區(qū) ，來刷新一下認知。

再說AI全流程中大量涉及數據處理的環(huán)節(jié)。

實際業(yè)務中的AI應用，背后往往需要包含大量數據的知識庫作為支撐。

這些數據通過將海量文本語料壓縮成密集向量的形式存儲，并通過高效的相似度搜索迅速找到與查詢最相關的信息，也就是大家所熟知的向量數據庫了。

在這方面，專門針對向量和矩陣計算優(yōu)化的英特爾? AVX-512指令集和英特爾? AMX加速技術有了用武之地，可應對海量、多維向量數據的高并發(fā)和實時計算等挑戰(zhàn)。

業(yè)界知名的向量數據庫開發(fā)商如騰訊云和星環(huán)科技等，底層都選擇第五代英特爾? 至強? 可擴展處理器作為承載和加速的平臺。

騰訊云VectorDB與英特爾合作，在第五代至強? 平臺經軟硬件雙方面優(yōu)化后，在提升向量數據庫的向量檢索效率方面相比基準組提升了約2.3倍，在使用英特爾? AMX 加速數據格式為INT8的測試場景中再次性能提升達約5.8倍。

星環(huán)科技則基于第五代至強? 可擴展處理器推出了Transwarp Hippo 分布式向量數據庫解決方案，實現了約2倍的代際性能提升，可有效滿足大模型時代海量、高維向量的存儲和計算需求。

△圖：星環(huán)科技分布向量數據庫Transwarp Hippo產品架構

AI全流程中與數據相關的環(huán)節(jié)，不止包含可用作大模型外部知識庫的向量數據庫這一種。還涉及模型訓練前數據預處理，訓練中的數據調度，模型上線后的持續(xù)優(yōu)化和維護、異常數據的發(fā)現和處理等。

眾所周知，數據是AI三要素之一，相當于AI的血液和原料，沒有優(yōu)質的數據，再先進的算法和模型也是空中樓閣。但原始數據往往參差不齊，需要通過數據清洗、轉換、特征工程等一系列流程，最終才能為AI系統(tǒng)所用。

這些數據處理任務涉及海量邏輯運算，以及同樣、甚至更大量級的內存操作，如存取、傳輸，對處理速度和時延要求都非常高，因此通常也是由最離系統(tǒng)內存最近、更擅長通用計算的CPU來承擔。

第五代英特爾? 至強? 可擴展處理器充分考慮到這些需求，內置多款加速器來為數據處理提供支持，如：

• DSA數據流加速器（Data Streaming Accelerator）：負責優(yōu)化數據復制和轉換操作，提高網絡和存儲性能。
• IAA存內分析加速器?（In-Memory Analytics Accelerator）：提高分析性能，同時卸載CPU內核任務以加速數據庫查詢吞吐量等工作負載。
• QAT數據保護與壓縮加速技術（QuickAssist Technology）：可顯著加速數據壓縮、對稱和非對稱數據加密解密，提高CPU效率和整體系統(tǒng)性能。
• DLB動態(tài)負載均衡器（Dynamic Load Balancer），幫助防止性能瓶頸并實現低時延控制平面工作負載。

在第五代至強? 可擴展處理器的不同細分型號中，對上述加速器有靈活的配置或支持方案，并且還支持通過Intel On Demand按需啟用，可以適應不同工作負載的需求。

最后，還特別要提到的對數據隱私、模型和應用安全的更優(yōu)防護，畢竟所有AI場景都不能以犧牲安全為代價，更是有些AI應用場景對此格外在意，如在金融、醫(yī)療行業(yè)。

對這些行業(yè)場景來說，能用上基于CPU實現的硬件級可信執(zhí)行環(huán)境（TEE）技術來保護敏感數據和代碼免受攻擊可是非常關鍵的。

如平安科技，就曾使用英特爾? Software Guard Extensions（英特爾? SGX）構建聯邦學習解決方案。

平安科技通過英特爾? SGX的“飛地”內存區(qū)域，在本地安全地執(zhí)行模型訓練，而無需共享原始數據。同時SGX支持安全的多方計算協(xié)議，如同態(tài)加密、安全聚合等，從而在聯邦學習中實現了更優(yōu)的隱私保護。

阿里云則基于最新第五代英特爾? 至強? 可擴展處理器推出了BigDL-LLM 隱私保護方案。

它在這款全新處理器內置的英特爾? Trust Domain Extension （英特爾? TDX）技術的加持下實現了對分布式節(jié)點或 AI管道的更優(yōu)防護，從而能讓客戶在不犧牲數據隱私的前提下將更多數據運用到 AI 應用中，有效挖掘數據價值，為客戶構建更為高效的隱私保護機器學習方案，助力大模型的廣泛應用。

△圖：采用英特爾? TDX的BigDL-LLM服務和調優(yōu)架構

要知道，基于 TEE 的聯邦學習或隱私保護機器學習技術，可是未來AI在大規(guī)模實踐中打通和共享多機構數據的一大基座。

通過這種技術，不同機構之間才能在保證數據安全和隱私的前提下，實現數據的共享和聯合分析，才能為 AI 的持續(xù)發(fā)展演進提供更加豐富和全面的數據支持。

搞好AI全流程加速，CPU不能是短板

所以，讓我們從單純的模型加速，將眼界擴展到更全面、多維、流水線化的AI平臺應用，不難預見，隨著這種平臺級應用的成熟與走向實戰(zhàn)，我們對小到AI加速服務器，大到AI基礎設施的期望也在不斷拓展和升級。

僅僅關注AI模型本身以及GPU、專用加速器的性能，會越來越像一個單點化的思維。

未來大家必須更重視整個AI平臺中多種硬件與軟件的搭配及協(xié)同工作，這其中CPU作為主控、加速、輔助的多面手，對于補齊整個平臺的短板，提升整個平臺的質量至關重要。

這或許就是在如今的技術浪潮下，以第五代英特爾? 至強? 可擴展處理器為代表的高端CPU，依然會在AI服務器或基礎設施市場中贏得一席之地的根因。

畢竟，高端CPU的作用不僅是直接上手加速AI推理，還關系到整個AI平臺或系統(tǒng)整體性能的提升，更是提供更加穩(wěn)定和安全的運行環(huán)境來拓展AI的邊界，只有這幾個環(huán)節(jié)都照顧到，才能推動AI Everywhere愿景進一步走向現實。

或者簡言之，AI如果要真正走向更多的實用場景，又怎么能少得了更強大、更可靠、更全面多能的CPU呢？

更多可戳：
https://www.intel.cn/content/www/cn/zh/events/accelerate-with-xeon.html?cid=soc&source=Wechat&article_id=5327#introtext_1036911030_818293015

參考鏈接：
[1]https://www.bilibili.com/read/cv23242562/
[2]https://www.idc.com/getdoc.jsp?containerId=US49554023