首页 > 生活 > GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!
2024-08-28

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!

声明:本文来自于微信公众号 新智元,作者:桃子,授权站长之家转载发布。

LLM若想高速推理,现如今,连GPU都无法满足了?

曾造出世界最大芯片公司Cerebras,刚刚发布了全球最快的AI推理架构——Cerebras Inference。

运行Llama3.18B时,它能以1800token/s的速率吐出文字。

不论是总结文档,还是代码生成等任务,响应几乎一闪而过,快到让你不敢相信自己的眼睛。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第1张-生活-农场养殖网

如下图右所示,以往,微调版Llama3.18B推理速度为90token/s,清晰可见每行文字。

而现在,直接从90token/s跃升到1800token/s,相当于从拨号上网迈入了带宽时代。

左边Cerebras Inference下模型的推理速度,只能用「瞬间」、「疯狂」两字形容。

这是什么概念?

比起英伟达GPU,Cerebras Inference的推理速度快20倍,还要比专用Groq芯片还要快2.4倍。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第2张-生活-农场养殖网

另外,对于70B参数的Llama3.1,可达到450token/s及时响应。

值得一提的是,Cerebras并没有因为提高LLM的速度,而损失其精度。

测试中,使用的Llama3.1模型皆是采用了Meta原始16位权重,以便确保响应高精度。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第3张-生活-农场养殖网

最关键的是,价格还实惠。

根据官方API定价,Llama3.18B每百万token仅需10美分,Llama370B每百万token仅需60美分。

如此之高的性价比,更是打破了业界纪录——

不仅远超之前的保持者Groq,而且和其他平台相比,甚至是隔「坐标轴」相望了。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第4张-生活-农场养殖网

Artificial Analysis

正是因为Cerebras Inference背后,是由自研的第三代芯片Wafer Scale Engine助力,才得以1/5价格快速推理Llama3.1。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第5张-生活-农场养殖网

看到自家模型推理如此神速,LeCun、Pytorch之父纷纷动手转发起来。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第6张-生活-农场养殖网

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第7张-生活-农场养殖网

还有网友看后表示,我想要!

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第8张-生活-农场养殖网

推理很慢,英伟达GPU也不中用?

为什么LLM的响应,就像拨号上网加载网页一样,一个字一个字慢慢地吐出?

关键原因所在,大模型自身的顺序特性,以及需要大量的GPU内存和带宽。

由于GPU的内存带宽限制,如今推理速度为每秒几十个token,而不是数千个。

更进一步说,大模型每个生成的单词,都必须通过整个模型进行处理,即所有参数必须从内存投入到计算中。

而每生成一个单词,就需要一次处理,以此循环往复。

也就是,生成100个单词需要100次处理,因为「下一词」的预测,皆需要依赖前一个单词,而且这个过程无法并行。

那么,想要每秒生成100个单词,就需要所有模型参数,每秒投入计算100次。

由此,这对GPU内存带宽提出了高要求。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第9张-生活-农场养殖网

以社区流行的Llama3.1-70B模型为例。

模型有700亿参数,每个参数是16位,需要2字节的存储,那整个模型便需要140GB的内存。

想要模型输出一个token,那700亿参数必须从内存,移动到计算核心,以执行前向推理计算。

由于GPU只有约200MB的片上内存,模型无法存储在芯片。

因此,每次生成的token输出时,需将整个占用140GB内存的模型,完整传输到计算中。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第10张-生活-农场养殖网

再细算下来,为了实现10token/s,则需要10*140=1.4TB/s的内存带宽。

那么,一个H100有3.3TB/s的内存带宽,足以支持这种缓慢的推理。

而若要实现即时推理,需要达到1000token/s或140TB/s,这远远超过任何GPU服务器/系统内存带宽。

或许,你想到了一种「暴力」解决方案,将多个GPU串联搭建DGX系统。

这完全是大错特错,更多的处理器只会增加系统的吞吐量(给出更长响应),并不会加速单个查询的响应时间。

自研世界最大芯片,打破推理想象

那么,Cerebras如何打破这一困局呢?

一直以来,这家公司就致力于打造世界上最大芯片,希望将整个模型存储在一个晶片上,以此来解决内存带宽瓶颈。

凭借独特的晶圆设计,WSE-3单个芯片上便集成了44GB SRAM,具备21PB/s的内存带宽。

单个芯片拥有如此大内存,便消除了对外部内存的需求,以及将外部内存连接到计算的慢速通道。

总的来说,WSE-3的总内存带宽为21PB/s,是H100的7000倍。

它是唯一一款同时具有PB级计算和PB级内存带宽的AI芯片,使其成为高速推理的近乎理想设计。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第11张-生活-农场养殖网

Cerebras推理不仅速度超快,而且吞吐量巨大。

与小型AI芯片相比,芯片上内存多了约200倍,支持从1-100的批大小,使其在大规模部署时,具有极高的成本效益。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第12张-生活-农场养殖网

正是有了如此强大的芯片,Cerebras Inference的快速推理得以实现。

它的出现,是为了实现数十亿到万亿参数模型的推理。

如果模型参数超过单个晶圆的内存容量时,研究人员将在「层边界」将其拆分,并映射到多个CS-3系统上。

20B模型适合单个CS-3,而70B模型则至少需要4个这样的系统。

官方表示,未来几周,将会测试更大参数版本的模型,比如Llama3-405B、Mistral Large。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第13张-生活-农场养殖网

16位精度,不做取舍

推理速率高,并非在模型权重上,做了取舍。

业界中,一些公司试图将模型权重精度,从16位减少到8位,来克服内存带宽的瓶颈。

这样方法,通常会造成模型精度损失,也就是响应结果的准确性、可靠性不如以前。

Cerebras Inference之所以强就强在了,速率和原始权重,皆要顾及。

正如开篇所述,他们采用了原始16位权重运行了Llama3.18B和70B。

通过评估,16位模型准确率比8位模型,高出多达5%。尤其是在,多轮对话、数学和推理任务中表现更好。

最优性价比,百万token免费送

目前,Cerebras Inference可通过聊天平台,以及API访问,任何一个人可随时体验。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第14张-生活-农场养殖网

体验传送门:https://cerebras.ai/blog/introducing-cerebras-inference-ai-at-instant-speed

基于熟悉的OpenAI Chat Completions格式,开发者只需更换API密钥即可集成强大的推理功能。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第15张-生活-农场养殖网

Cerebras Inference API提供最佳的性能、速度、精度和成本组合。

它是唯一能即时运行Llama3.1-70B的方案,可实现450token/s,同样使用的是原始16位模型权重。

在此,Cerebras送上大福利,每天为开发者们提供100万个免费token。对于大规模部署,其定价只是H100云的一小部分。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第16张-生活-农场养殖网

首次推出时,Cerebras提供了Llama3.18B和70B模型,而且有能力每天为开发者和企业,提供数千亿token。

接下来几周,他们将增加对更大模型的支持,如Llama3405B、Mistral Large2。

有开发者问道,你们提供的rpm(每分钟请求次数)和tpm(每分钟处理token数)是多少?

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第17张-生活-农场养殖网

Cerebras提供了一张针对Llama3.18B和70B模型完整的请求/token处理数的图。

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第18张-生活-农场养殖网

快速推理,不只为速度

最后,让我们来聊聊,为什么快速推理非常重要?

通常,LLM会即刻输出自己的全部想法,而不考虑最佳答案。而诸如scaffolding(脚手架)这类的新技术,则如同一个深思熟虑的智能体,会在作出决定前探索不同的可能解决方案。

这种「先思考后发言」的方式在代码生成等严苛任务中,可以带来超过10倍的性能提升,从根本上提升了AI模型的智能,且无需额外训练。

但这些技术在运行时,需要多达100倍的token。

因此可见,如果我们能大幅缩短处理时间,那么就可以实现更为复杂的AI工作流程,进而实时增强LLM的智能。

速度爆表,但上下文只有8K

虽然在价格和延迟上,Cerebras都不是最低的。

但极致的速度,确实为Cerebras带来了极致的速度-价格和速度-延迟比。

不过,值得注意的是,在Cerebras上跑的Llama3.1,上下文只有8k……

相比之下,其他平台都是128K。

具体数据如下:

Llama3.170B

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第19张-生活-农场养殖网

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第20张-生活-农场养殖网

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第21张-生活-农场养殖网

Llama3.18B

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第22张-生活-农场养殖网

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第23张-生活-农场养殖网

GPU推理时代终结?世界最大芯片加持推理狂飙20倍,英伟达H100也被干趴!-第24张-生活-农场养殖网