|
AI一天，人间一年。
现在不论是大模型本身，亦或是AI应用的更新速度简直令人直呼跟不上——
Sora、Suno、Udio、Luma……重磅应用一个接一个问世。
也正如来自InfoQ的调查数据显示的那般，虽然AIGC目前还处于起步阶段，但市场规模已初具雏形：
行业整体迅速发展固然是好事，但具体到每个的应用或者大模型的落地来说，面临的竞争也越发激烈了。
例如前不久各个大模型厂商之间展开的非常激烈的“价格战”，主打一个比谁更便宜，甚至直接把大模型价格推向“厘时代”。
加上最近OpenAI的“断供”事件，更是让国内厂商们在打出“轻松搬家”计划的同时，再加码Tokens送送送的力度。
究其原因，也是与当下应用为王，尤其是以尽量低的成本把业务快速落地的这一大趋势紧密相关。
那么问题来了，大模型玩家们何以在又快又好又省之间做到平衡？
这就回到了那个避不开，同时又是成本里占绝对大头的因素——算力。
现在提及大模型的训练和推理，很多人的第一反应或许就是想到了GPU。
诚然GPU在高性能上占据着一定的优势，但它所存在“硬伤”也是比较明显，那便是供应不足、价格昂贵。
何以破局？国产大模型第一梯队玩家百度智能云千帆大模型平台，就给出了自己的一个更具“效价比”的解法：
具体到算力的部署上，百度智能云AI与大模型平台总经理忻舟认为：
一言蔽之，在大模型时代，CPU甚至比以往更加重要了，而且是能让大模型和应用做到“快好省”落地的关键因素之一。
那么具体“上岗”效果又是如何，我们继续往下看。
国产头部大模型玩家，pick了CPU
国内AIGC应用爆发，这其中，百度智能云千帆大模型平台功不可没。
作为企业使用大模型的”一站式”服务平台，千帆大模型平台自去年3月发布以来已有超12万客户使用，累计调优模型2万个，孵化应用4.2万个。
这些应用覆盖教育、金融、办公、医疗等众多场景，为行业数字化转型提供了有力支撑。
在教育领域，千帆大模型平台赋能了试题生成、在线批改、题目解析等应用，大大提升了教学和备考效率。
例如用户可以提供参考材料，设定题型和难度，平台就能自动生成高质量的试题。而交互式的题目解析，则可以针对每位学生的薄弱环节，提供个性化的学习指导。
在办公场景，千帆大模型平台与业内头部企业合作，共同打造了智能写作助手等创新应用，能够根据用户输入的关键词，快速生成招聘文案、营销方案、数据报告等专业文档。
还可以专注于各类写作场景，可以智能生成论文大纲、项目汇报、品牌宣传稿等，大大提升了行政和营销人员的工作效率。
医疗健康是千帆大模型平台的另一大应用赛道。基于医疗知识库训练的模型，可以自动生成体检报告解读，用通俗易懂的语言向用户解释各项指标，并给出个性化的健康指导。
这让普通大众也能更好地了解自己的身体状况，实现”健康自主管理”。
可以看到，千帆大模型平台在多个领域实现了AI模型的”最后一公里”落地。
那么千帆大模型平台是怎么支撑如此多AI应用的呢？
答案是：让CPU成为客户的选择之一，让“效价比”的红利普惠千行百业。
之所以如此，百度智能云所给出的解释是：
至于效果，以Llama-2-7B为例，在第四代英特尔® 至强® 可扩展处理器上输出 Token 吞吐可达 100 TPS 以上，相比第三代提升了60%。
△Llama-2-7b模型输出Token吞吐
在低延迟的场景，同等并发下，第四代至强® 可扩展处理器的首Token时延比第三代至强® 可降低50%以上。
在将处理器升级为第五代至强® 可扩展处理器之后，较上代的吞吐可提升45%左右，首 Token 时延下降50%左右。
△Llama-2-7b模型首Token时延
并且千帆大模型平台团队根据实践经验还表示：
不仅如此，利用充足的CPU资源，降低对于AI加速卡的需求，从而降低 LLM 推理服务的总体拥有成本 (TCO)，特别是在离线的 LLM 推理场景中表现出色。
而且在千帆大模型平台上，可不止是有自家的ERNIE，还有很多主流的大模型都集成于此。
这也在一定程度上从侧面印证了第五代英特尔® 至强® 可扩展处理器在性能上的过关。
英特尔第五代至强，如何让性能和效率变得Pro Max？
百度智能云千帆大模型平台，不止需要大模型推理一种工作负载，它其实是一个覆盖大模型全生命周期的平台。
具体来说，千帆大模型平台提供数据标注，模型训练与评估，推理服务与应用集成的全面功能服务，以及快速应用编排与插件集成，助力大模型多场景落地应用。这样一来，比起专为大模型推理部署专用加速器，充分利用平台已广泛部署的CPU资源，就是更划算的选择了。
对于千帆大模型平台上存在的大量离线大模型应用需求来说，如生成文章总结、摘要、评估多个模型的效果等，这类需求对推理的时延要求其实不高，但内存容易成为瓶颈。
采用CPU来做，扩展内存更方便，还可以利用起平台闲时的算力资源，进一步提高资源利用率，起到降低总拥有成本的作用。
在这个大背景下，第五代英特尔® 至强® 可扩展处理器中的性能密集型通用计算应用负载（类似P Core性能核）的设计就尤为关键了。
与E Core（能效核）相比，P Core采用了追求性能最大化的设计，能承载非常重的负载，同时还兼顾了AI推理加速。
采用此设计的第五代至强® 可扩展处理器，在兼顾AI推理加速这一点上可不是说说而已，而是软硬件协同优化，各方面都考虑到位了。
硬件方面，英特尔® AMX（高级矩阵扩展）技术，正是为大模型推理重深度学习中大量的矩阵乘法运算专门优化的，可以理解成”CPU 里的 Tensor Core”。
有了英特尔® AMX，处理器每个时钟周期可完成高达2048个INT8运算，比上一代AVX512_VNNI指令提升8倍之多。
更重要的是，英特尔®
AMX加速器是内置在CPU核心里的，让矩阵存储和运算更近，这一特性应用在大模型推理上，能够降低处理下一个Token的时延，让终端用户的体验更好。
△英特尔® AMX 可以更高效的实现 AI 加速
软件方面，百度智能云千帆大模型平台已经引入了针对英特尔® 至强® 可扩展平台深度优化的大模型推理软件解决方案xFasterTransformer
(xFT)，并将其作为后端推理引擎。主要优化策略如下：
-
充分利用 AMX/AVX512 等指令集，高效实现核心算子如 Flash Attention 等
-
采用低精度量化，降低数据访存量，发挥 INT8/BF16 运算的优势
-
支持超大规模模型的多机多卡并行推理
△英特尔® 至强® 可扩展处理器 LLM 推理软件解决方案
最后还要补充的一点是，要知道选择一种硬件平台，不止关乎于设备本身的采购价格，还会影响到后续的维护成本，甚至人才储备成本。
所以正如百度智能云所言，高性价比的算力基础设施，与先进的大模型算法和平台软件相辅相成，让上层的开发者们能够更加平滑地应用，构建他们的业务，才能最大化云计算平台的商业价值。
大模型时代，CPU大有可为
纵观当下，大模型正从实验室走向产业，从少数人的“玩具”变为大众可用的“工具”。
这意味着，大模型服务不仅要有优秀的性能表现，还要做到价格亲民、部署便捷。一言以蔽之，“快好省”成了大模型商业化的关键一环。
而要实现“快好省”，算力基础设施的选择至关重要。
传统观点认为，专用加速器才是AI的“标配”。但在供应紧张、成本高企的背景下，专用加速器的优势正在减弱。
相比之下，优化良好的高端 CPU
不仅能提供足够应对大模型推理的算力，而且具有更广泛的部署基础和更成熟的软件生态、以及更好的安全保障，开始受到越来越多业界玩家的青睐。
以英特尔® 至强®
系列为代表的x86架构CPU，拥有成熟完善的软件生态和广泛的应用基础。数以百万计的开发者可以利用现有工具和框架，快速构建和优化AI应用，而无需额外学习专门的加速器软件栈，大大降低了开发难度和迁移成本。
同时，企业级用户还可以利用CPU内置的多层次安全技术，实现从硬件到软件的全栈保护，充分保障数据安全和隐私。这些优势，是当前专用加速器难以比拟的。
由此可见，充分利用CPU进行推理，让AI从“烧钱游戏”变为“普惠科技”，正是AIGC产业应对算力门槛，推动规模化应用落地的关键一招。未来，随着技术创新和生态完善，这一模式还将为更多企业创造价值，为产业发展注入新的动力。
除了直接加速推理任务外，CPU在完整的端到端AI管线中还能高效完成数据预处理、特征工程等AI全流程中的关键步骤。而支持机器学习和图分析的各类数据库，也主要是构建在CPU之上的。以至强®
可扩展处理器为例，除了英特尔® AMX之外，还有诸如英特尔® 数据保护与压缩加速技术（英特尔® QAT）、英特尔® 存内分析加速器（英特尔®
IAA）等一系列数据分析引擎内置于处理器中，通过卸载特定任务使CPU得到更好的利用，从而提升工作负载整体性能，实现数据分析加速。
由此可见，构建“快、准、稳”的
AI 应用，既要靠专用加速器强大的算力，也离不开CPU超强的通用计算能力去释放整个系统的潜力。
为了科普CPU在AI推理新时代的玩法，量子位开设了《最“in”AI》专栏，将从技术科普、行业案例、实战优化等多个角度全面解读。
我们希望通过这个专栏，让更多的人了解CPU在AI推理加速，甚至是整个AI平台或全流程加速上的实践成果，重点就是如何更好地利用CPU来提升大模型应用的性能和效率。(量子位)
2024年07月12日 于上海
版权作品 未经许可 请勿转载
| 