卓强芯视野： 亚马逊云科技：生成式AI发展的瓶颈在算力

亚马逊云科技认为，目前生成式AI模型主要集中在文本和图片生成，正在逐步渗透到音频和视频内容生成，未来将出现越来越多的跨模态/多模态内容生成。通用大模型更容易引发热议，但对企业而言，针对特定场景的模型在成本和准确度方面都更具优势，也是目前企业主要采用的模型。芯片性能和高质量训练既是生成式AI爆发的基础，也是其实现飞跃式发展的瓶颈。



之前模型的参数量级可能是千级或百万级，但今天拥有十亿百亿级参数的模型比比皆是，下一代模型有可能会朝着万亿级参数级别去发展。因此，降低大模型的成本至关重要。



虽然，机器学习的芯片差不多每两年或每几年就会有一倍或数倍的提升，但仍然不足以跟上训练模型复杂度的提升。替代的解决办法就是利用分布式多处理器，通过一个网络进行协同计算、协同训练。亚马逊云科技专门为云中高性能模型训练而搭建的Trn1实例最多可以搭载16颗专门用于机器学习训练的Trainium芯片，512GB加速器内存和800GBps的网络带宽。



Trn1是拥有高性价比的深度学习实例，与基于GPU的类似实例相比，训练成本降低了50%。以一个具备万亿级参数的大模型进行两周训练为例，GPU服务器P3dn需要600个实例，最新一代GPU实例P4d需要128个实例，但Trn1只需要用96个实例。



2022亚马逊云科技re:Invent全球大会推出了一款基于Trn1的网络优化型实例Trn1n，进一步把网络带宽增加一倍，从800GBps跃升到1600GBps，其强大的网络吞吐能力能够将超过1万个Trainium芯片构建在一个超大规模集群里，并在集群中进行模型的并行训练。



除训练外，大模型也需要超高的推理能力。所以亚马逊云科技构建了Inf1实例，用自研的推理芯片Inferentia提供支持，实现低延时低成本的推理。Inf1实例和GPU的实例相比，每次推理成本可以降低70%。



亚马逊云科技re:Invent全球大会还推出了下一代自研推理芯片Inferentia2以及基于此的AmazonEC2Inf2实例。这是唯一一个专门为大型Transformer模型分布式推理建立的实例。与Inf1实例相比，它提供高达4倍的吞吐量，降低多达10倍的延迟，与基于GPU的实例相比，每瓦性能提升高达45%，同时也支持诸如GPT类型的大型复杂模型，并且可以用单实例实现1750亿参数模型的推理。