Transformer的出現(xiàn)讓專用AI芯片變得岌岌可危

本文將分析CNN，還有近期比較火的SwinTransformer以及存內(nèi)計(jì)算對AI芯片發(fā)展趨勢的影響，Transformer的出現(xiàn)讓專用AI芯片變得岌岌可危，命懸一線。 所謂AI芯片算力一般指INT8精度下每秒運(yùn)作次數(shù)，INT8位即整數(shù)8比特精度。AI芯片嚴(yán)格地說應(yīng)該叫AI加速器，只是加速深度神經(jīng)網(wǎng)絡(luò)推理階段的加速，主要就是卷積的加速。一般用于視覺目標(biāo)識別分類，輔助駕駛或無人駕駛還有很多種運(yùn)算類型，需要用到多種運(yùn)算資源，標(biāo)量整數(shù)運(yùn)算通常由CPU完成，矢量浮點(diǎn)運(yùn)算通常由GPU完成，標(biāo)量、矢量運(yùn)算算力和AI算力同樣重要，三者是平起平坐的。AI算力遠(yuǎn)不能和燃油車的馬力對標(biāo)，兩者相差甚遠(yuǎn)。 AI芯片的關(guān)鍵參數(shù)除了算力，還有芯片利用率或者叫模型利用率。AI芯片的算力只是峰值理論算力，實(shí)際算力與峰值算力之比就是芯片利用率。

圖片來源：互聯(lián)網(wǎng)

上表為英偉達(dá)旗艦人工智能加速器T4的芯片利用率，芯片的利用率很低，大部分情況下93%的算力都是閑置的，這好比一條生產(chǎn)線，93%的工人都無所事事，但工資還是要付的。實(shí)際上芯片利用率超過50%就是非常優(yōu)秀，利用率低于10%是很常見的，極端情況只有1%，也就是說即使你用了4片英偉達(dá)頂級Orin，算力高達(dá)1000TOPS，實(shí)際算力可能只有10TOPS。 這也就是AI芯片主要的工作不是AI芯片本身，而是與之配套的軟件優(yōu)化，當(dāng)然也可以反過來，為自己的算法模型定制一塊AI芯片，如特斯拉。但應(yīng)用面越窄，出貨量就越低，攤在每顆芯片上的成本就越高，這反過來推高芯片價(jià)格，高價(jià)格進(jìn)一步縮窄了市場，因此獨(dú)立的AI芯片必須考慮盡可能適配多種算法模型。 這需要幾方面的工作：

首先主流的神經(jīng)網(wǎng)絡(luò)模型自然要支持；

其次是壓縮模型的規(guī)模并優(yōu)化，將浮點(diǎn)轉(zhuǎn)換為定點(diǎn)；

最后是提供編碼器Compiler，將模型映射為二進(jìn)制指令序列。

早期的AI運(yùn)算完全依賴GPU，以致于早期的神經(jīng)網(wǎng)絡(luò)框架如Caffee、TensorFlow、mxnet都必須考慮在GPU上優(yōu)化，簡單地說就是都得適應(yīng)GPU的編碼器CUDA，這也是英偉達(dá)為何如此強(qiáng)的原因，它無需優(yōu)化，因?yàn)樵缙诘纳窠?jīng)網(wǎng)絡(luò)就是為GPU訂做的。CUDA為英偉達(dá)筑起了高高的城墻，你要做AI運(yùn)算，不兼容CUDA是不可能的，所有的程序員都已經(jīng)用習(xí)慣了CUDA。但要兼容CUDA，CUDA的核心是不開源的，無論你如何優(yōu)化，都不如英偉達(dá)的原生CUDA更優(yōu)。車載領(lǐng)域好一點(diǎn)，可以效仿特斯拉。 卷積運(yùn)算就是乘積累加，Cn=A×B+Cn-1，A是輸入矩陣，簡單理解就是一副圖像，用像素?cái)?shù)字矩陣來表示一副圖像，B是權(quán)重模型，就是深度學(xué)習(xí)搜集訓(xùn)練數(shù)據(jù)，經(jīng)過幾千萬人民幣的數(shù)據(jù)中心訓(xùn)練出的算法模型，也可以看做是一種特殊的濾波器，右邊的C是上一次乘積的結(jié)果。左邊的C就是本次計(jì)算的輸出結(jié)果。卷積運(yùn)算后經(jīng)過全連接層輸出，畫出Bounding Box并識別。用代碼表示如下。

圖片來源：互聯(lián)網(wǎng)

這些計(jì)算中有大量相同的數(shù)據(jù)存取，如下表。

圖片來源：互聯(lián)網(wǎng)

每一次運(yùn)算都需要頻繁讀取內(nèi)存，很多是重復(fù)讀取，這非常耗費(fèi)時(shí)間和功率，顯然是一種浪費(fèi)，AI芯片的核心工作就是提高數(shù)據(jù)的復(fù)用率。 AI芯片分為兩大流派，一是分塊矩陣的One Shot流派，也有稱之為GEMM通用矩陣乘法加速器，典型代表是英偉達(dá)、華為。二是如脈動陣列的數(shù)據(jù)流流派，典型代表是谷歌、特斯拉。還有些非主流的主要用于FPGA的Spatial，F(xiàn)FT快速傅里葉變換。

華為AI芯片電路邏輯

圖片來源：互聯(lián)網(wǎng)

以華為為例，其將矩陣A按行存放在輸入緩沖區(qū)中,同時(shí)將矩陣B按列存放在輸入緩沖區(qū)中,通過矩陣計(jì)算單元計(jì)算后得到的結(jié)果矩陣C按行存放在輸出緩沖區(qū)中。在矩陣相乘運(yùn)算中，矩陣C的第一元素由矩陣A的第一行的16個(gè)元素和矩陣B的第一列的16個(gè)元素由矩陣計(jì)算單元子電路進(jìn)行16次乘法和15次加法運(yùn)算得出。矩陣計(jì)算單元中共有256個(gè)矩陣計(jì)算子電路,可以由一條指令并行完成矩陣C的256個(gè)元素計(jì)算。 由于矩陣計(jì)算單元的容量有限，往往不能一次存放下整個(gè)矩陣，所以也需要對矩陣進(jìn)行分塊并采用分步計(jì)算的方式。將矩陣A和矩陣B都等分成同樣大小的塊,每一塊都可以是一個(gè)16×16的子矩陣，排不滿的地方可以通過補(bǔ)零實(shí)現(xiàn)。首先求C1結(jié)果子矩陣,需要分兩步計(jì)算：第一步將A1和B1搬移到矩陣計(jì)算單元中,并算出A1×B1的中間結(jié)果;第二步將A2和B2搬移到矩陣計(jì)算單元中，再次計(jì)算A2×B2 ，并把計(jì)算結(jié)果累加到上一次A1×B1的中間結(jié)果，這樣才完成結(jié)果子矩陣C1的計(jì)算，之后將C1寫入輸出緩沖區(qū)。由于輸出緩沖區(qū)容量也有限,所以需要盡快將C1子矩陣寫入內(nèi)存中，便于留出空間接收下一個(gè)結(jié)果子矩陣C2。 分塊矩陣的好處是只計(jì)算了微內(nèi)核，速度很快，比較靈活，編譯器好設(shè)計(jì)，增加算力也很簡單，只要增加MAC的數(shù)量即可。成本低，消耗的SRAM容量小。

圖片來源：互聯(lián)網(wǎng)

上圖為一個(gè)典型的脈動陣列，右側(cè)是一個(gè)乘加單元即PE單元的內(nèi)部結(jié)構(gòu)，其內(nèi)部有一個(gè)寄存器，在TPU內(nèi)對應(yīng)存儲Weight，此處存儲矩陣B。左圖是一個(gè)4×4的乘加陣列，假設(shè)矩陣B已經(jīng)被加載到乘加陣列內(nèi)部；顯然，乘加陣列中每一列計(jì)算四個(gè)數(shù)的乘法并將其加在一起，即得到矩陣乘法的一個(gè)輸出結(jié)果。依次輸入矩陣A的四行，可以得到矩陣乘法的結(jié)果。PE單元在特斯拉FSD中就是96*96個(gè)PE單元。

圖片來源：互聯(lián)網(wǎng)

不過最后還要添加累加器，需要多個(gè)SRAM加入。 脈動式優(yōu)點(diǎn)是流水線式，不依賴一次一次的指令，一次指令即可啟動。吞吐量很高。算力做到1000TOPS易如反掌，單PE占硅片面積小。但是其編譯器難度高，靈活度低，要做到高算力，需要大量SRAM，這反過來推高成本。 在實(shí)際應(yīng)用當(dāng)中，情況會比較復(fù)雜，完整的深度學(xué)習(xí)模型都太大，而內(nèi)存是很耗費(fèi)成本的，因此，模型都必須要壓縮和優(yōu)化，常見的壓縮有兩種，一種是Depthwise Convolution，還包括了Depthwise Separable Convolution。另一種是Pointwise Convolution。Depthwise層，只改變feature map的大小，不改變通道數(shù)。而Pointwise層則相反，只改變通道數(shù)，不改變大小。這樣將常規(guī)卷積的做法（改變大小和通道數(shù)）拆分成兩步走。

圖片來源：互聯(lián)網(wǎng)

常規(guī)卷積，4組（3,3,3）的卷積核進(jìn)行卷積，等于108。

圖片來源：互聯(lián)網(wǎng)

Depthwise卷積，分成了兩步走，第一步是3*3*3，第二步是1*1*3*4，合計(jì)是39，壓縮了很多。 谷歌TPU v1的算力計(jì)算是700MHz*256*256*2=92Top/s@int8，之所以乘2是因?yàn)檫€有個(gè)加法累積。高通AI100的最大算力計(jì)算是16*8192*2*1600MHz=419Top/s@int8，高通是16核，每個(gè)核心是8192個(gè)陣列，最高運(yùn)行頻率1.6GHz，最低估計(jì)是500MHz。

性能最大化對應(yīng)的模型要求

圖片來源：互聯(lián)網(wǎng)

對谷歌TPU v1來說，其最優(yōu)性能是輸入為256，而不少Depthwise是3*3，其利用率為9/256，即3.5%。對高通AI100來說，如果算法模型輸入通道是256，那么效率會降低至16/256，即6.3%。顯然對于精簡算法模型，TPU非常不適合。對于精簡模型來說，高通AI100非常不適合。 以上這些都是針對CNN的，目前圖像領(lǐng)域的AI芯片也都是針對CNN的。近期大火的Swin Transformer則與之不同。2021年由微軟亞洲研究院開源的SwinTransformer的橫掃計(jì)算機(jī)視覺，從圖像分類的ViT，到目標(biāo)檢測的DETR，再到圖像分割的SETR以及3D人體姿態(tài)的METRO，大有壓倒CNN的態(tài)勢。但其原生Self-Attention的計(jì)算復(fù)雜度問題一直沒有得到解決，Self-Attention需要對輸入的所有N個(gè)token計(jì)算N的二次方大小的相互關(guān)系矩陣，考慮到視覺信息本來就是二維（圖像）甚至三維（視頻），分辨率稍微高一點(diǎn)就會暴增運(yùn)算量，目前所有視覺類AI芯片都完全無法勝任。

Swin Transformer的模型結(jié)構(gòu)

圖片來源：互聯(lián)網(wǎng)

從圖上就能看出其采用了4*4卷積矩陣，而CNN是3*3，這就意味著目前的AI芯片有至少33%的效率下降。再者就是其是矢量與矩陣的乘法，這會帶來一定的浮點(diǎn)矢量運(yùn)算。 假設(shè)高和寬都為112，窗口大小為7，C為128，那么未優(yōu)化的浮點(diǎn)計(jì)算是4*112*112*128*128+2*112*112*112*112*128=41GFLOP/s。大部分AI芯片如特斯拉的FSD和谷歌的TPU，未考慮這種浮點(diǎn)運(yùn)算。不過華為和高通都考慮到了，英偉達(dá)就更不用說了，GPU天生就是針對浮點(diǎn)運(yùn)算的?？雌饋?1GFLOP/s不高，但如果沒有專用浮點(diǎn)運(yùn)算處理器，效率也會急速下降。

圖片來源：互聯(lián)網(wǎng)

與CNN不同，Swin Transformer的數(shù)據(jù)選擇與布置占了29%的時(shí)間，矩陣乘法占了71%，而CNN中，矩陣乘法至少占95%。

圖片來源：互聯(lián)網(wǎng)

針對Swin Transformer的AI芯片最好將區(qū)塊模型與數(shù)據(jù)流模型分開，指令集與數(shù)據(jù)集當(dāng)然也最好分開。

圖片來源：互聯(lián)網(wǎng)

針對Swin Transformer，理論上最好的選擇是存內(nèi)計(jì)算也叫存算一體，上圖是存內(nèi)計(jì)算架構(gòu)與傳統(tǒng)AI芯片的馮諾依曼架構(gòu)的功耗對比，存內(nèi)計(jì)算架構(gòu)在同樣算力的情況下，只有馮諾依曼架構(gòu)1/6的功耗。

馮諾依曼架構(gòu)與存內(nèi)計(jì)算架構(gòu)對比

圖片來源：互聯(lián)網(wǎng)

典型的存內(nèi)計(jì)算架構(gòu)芯片

圖片來源：互聯(lián)網(wǎng)

不過目前存內(nèi)計(jì)算離實(shí)用距離還非常遙遠(yuǎn)：

第一，內(nèi)存行業(yè)由三星、美光和SK Hynix三家占了90%的市場，行業(yè)門檻極高，這三家極力保持內(nèi)存價(jià)格穩(wěn)定。

第二，目前AI模型都是越來越大，用存內(nèi)計(jì)算存儲大容量AI模型成本極高。三星的存內(nèi)計(jì)算芯片測試用的是二十年前的MNIST手寫字符識別，這種AI模型是kb級別的。而自動駕駛用的至少也是10MB以上。

第三，精度很低，當(dāng)前存內(nèi)計(jì)算研究的一個(gè)重點(diǎn)方法是使用電阻式RAM（ReRAM）實(shí)現(xiàn)位線電流檢測。由于電壓范圍，噪聲和PVT的變化，模擬位線電流檢測和ADC的精度受到限制，即使精度低到1比特也難以實(shí)現(xiàn)，而輔助駕駛目前是8比特。

第四，電阻式RAM可靠性不高。經(jīng)常更新權(quán)重模型，可能導(dǎo)致故障。

最后，存內(nèi)計(jì)算的工具鏈基本為零。最樂觀的估計(jì)，存內(nèi)計(jì)算實(shí)用化也要5年以上，且是用在很小規(guī)模計(jì)算，如AIoT領(lǐng)域，自動駕駛領(lǐng)域十年內(nèi)都不可能見到存內(nèi)計(jì)算。即使存內(nèi)計(jì)算實(shí)用化，恐怕也是內(nèi)存三巨頭最有優(yōu)勢。

Transformer的出現(xiàn)讓專用AI芯片變得非常危險(xiǎn)，難保未來不出現(xiàn)別的技術(shù)，而適用面很窄的AI專用芯片會完全喪失市場，通用性比較強(qiáng)的CPU或GPU還是永葆青春，至于算力，與算法模型高度捆綁，但捆綁太緊，市場肯定很小，且生命周期可能很短。 聲明：本文僅代表作者個(gè)人觀點(diǎn)。

審核編輯 ：李倩