在某三甲醫(yī)院的門(mén)診中，匯集了來(lái)自各地的病患，醫(yī)生們正在以最專(zhuān)業(yè)的能力和最快的速度進(jìn)行會(huì)診。期間，醫(yī)生與患者的對(duì)話(huà)可以通過(guò)語(yǔ)音識(shí)別技術(shù)被錄入到病例系統(tǒng)中，隨后大模型 AI 推理技術(shù)輔助進(jìn)行智能總結(jié)和診斷，醫(yī)生們撰寫(xiě)病例的效率顯著提高。AI 推理的應(yīng)用不僅節(jié)省了時(shí)間，也保護(hù)了患者隱私；

在法院、律所等業(yè)務(wù)場(chǎng)景中，律師通過(guò)大模型對(duì)海量歷史案例進(jìn)行整理調(diào)查，并鎖定出擬定法律文件中可能存在的漏洞；

……

以上場(chǎng)景中的大模型應(yīng)用，幾乎都有一個(gè)共同的特點(diǎn)——受行業(yè)屬性限制，在應(yīng)用大模型時(shí)，除了對(duì)算力的高要求，AI 訓(xùn)練過(guò)程中經(jīng)常出現(xiàn)的壞卡問(wèn)題也是這些行業(yè)不允許出現(xiàn)的。同時(shí)，為確保服務(wù)效率和隱私安全，他們一般需要將模型部署在本地，且非常看重硬件等基礎(chǔ)設(shè)施層的穩(wěn)定性和可靠性。一個(gè)中等參數(shù)或者輕量參數(shù)的模型，加上精調(diào)就可以滿(mǎn)足他們的場(chǎng)景需求。

而在大模型技術(shù)落地過(guò)程中，上述需求其實(shí)不在少數(shù)，基于 CPU 的推理方案無(wú)疑是一種更具性?xún)r(jià)比的選擇。不僅能夠滿(mǎn)足其業(yè)務(wù)需求，還能有效控制成本、保證系統(tǒng)的穩(wěn)定性和數(shù)據(jù)的安全性。但這也就愈發(fā)讓我們好奇，作為通用服務(wù)器，CPU 在 AI 時(shí)代可以發(fā)揮怎樣的優(yōu)勢(shì)？其背后的技術(shù)原理又是什么？

1、AI 時(shí)代，CPU 是否已被被邊緣化？

提起 AI 訓(xùn)練和 AI 推理，大家普遍會(huì)想到 GPU 更擅長(zhǎng)處理大量并行任務(wù)，在執(zhí)行計(jì)算密集型任務(wù)時(shí)表現(xiàn)地更出色，卻忽視了 CPU 在這其中的價(jià)值。

AI 技術(shù)的不斷演進(jìn)——從深度神經(jīng)網(wǎng)絡(luò)（DNN）到 Transformer 大模型，對(duì)硬件的要求產(chǎn)生了顯著變化。CPU 不僅沒(méi)有被邊緣化，反而持續(xù)升級(jí)以適應(yīng)這些變化，并做出了重要改變。

AI 大模型也不是只有推理和訓(xùn)練的單一任務(wù)，還包括數(shù)據(jù)預(yù)處理、模型訓(xùn)練、推理和后處理等，整個(gè)過(guò)程中需要非常多軟硬件及系統(tǒng)的配合。在 GPU 興起并廣泛應(yīng)用于 AI 領(lǐng)域之前，CPU 就已經(jīng)作為執(zhí)行 AI 推理任務(wù)的主要硬件在被廣泛使用。其作為通用處理器發(fā)揮著非常大的作用，整個(gè)系統(tǒng)的調(diào)度、任何負(fù)載的高效運(yùn)行都離不開(kāi)它的協(xié)同優(yōu)化。

此外，CPU 的單核性能非常強(qiáng)大，可以處理復(fù)雜的計(jì)算任務(wù)，其核心數(shù)量也在不斷增加，而且 CPU 的內(nèi)存容量遠(yuǎn)大于 GPU 的顯存容量，這些優(yōu)勢(shì)使得 CPU 能夠有效運(yùn)行生成式大模型任務(wù)。經(jīng)過(guò)優(yōu)化的大模型可以在 CPU 上高效執(zhí)行，特別是當(dāng)模型非常大，需要跨異構(gòu)平臺(tái)計(jì)算時(shí)，使用 CPU 反而能提供更快的速度和更高的效率。

而 AI 推理過(guò)程中兩個(gè)重要階段的需求，即在預(yù)填充階段，需要高算力的矩陣乘法運(yùn)算部件；在解碼階段，尤其是小批量請(qǐng)求時(shí)，需要更高的內(nèi)存訪問(wèn)帶寬。這些需求 CPU 都可以很好地滿(mǎn)足。

以英特爾舉例，從 2017 年第一代至強(qiáng)? 可擴(kuò)展處理器開(kāi)始就利用英特爾? AVX-512 技術(shù)的矢量運(yùn)算能力進(jìn)行 AI 加速上的嘗試；再接著第二代至強(qiáng)? 中導(dǎo)入深度學(xué)習(xí)加速技術(shù)（DL Boost）；第三代到第五代至強(qiáng)? 的演進(jìn)中，從 BF16 的增添再到英特爾? AMX 的入駐，可以說(shuō)英特爾一直在充分利用 CPU 資源加速 AI 的道路上深耕。

在英特爾? AMX 大幅提升矩陣計(jì)算能力外，第五代至強(qiáng)? 可擴(kuò)展處理器還增加了每個(gè)時(shí)鐘周期的指令，有效提升了內(nèi)存帶寬與速度，并通過(guò) PCIe 5.0 實(shí)現(xiàn)了更高的 PCIe 帶寬提升。在幾個(gè)時(shí)鐘的周期內(nèi)，一條微指令就可以把一個(gè) 16×16 的矩陣計(jì)算一次性計(jì)算出來(lái)。另外，至強(qiáng)? 可擴(kuò)展處理器可支持 High Bandwidth Memory (HBM) 內(nèi)存，和 DDR5 相比，其具有更多的訪存通道和更長(zhǎng)的讀取位寬。雖然 HBM 的容量相對(duì)較小，但足以支撐大多數(shù)的大模型推理任務(wù)。

可以明確的是，AI 技術(shù)的演進(jìn)還遠(yuǎn)未停止，當(dāng)前以消耗大量算力為前提的模型結(jié)構(gòu)也可能會(huì)發(fā)生改變，但 CPU 作為計(jì)算機(jī)系統(tǒng)的核心，其價(jià)值始終是難以被替代的。

同時(shí)，AI 應(yīng)用的需求是多樣化的，不同的應(yīng)用場(chǎng)景需要不同的計(jì)算資源和優(yōu)化策略。因此比起相互替代，CPU 和其他加速器之間的互補(bǔ)關(guān)系才是它們?cè)?AI 市場(chǎng)中共同發(fā)展的長(zhǎng)久之道。

2、與其算力焦慮，不如關(guān)注效價(jià)比

隨著人工智能技術(shù)在各個(gè)領(lǐng)域的廣泛應(yīng)用，AI 推理成為了推動(dòng)技術(shù)進(jìn)步的關(guān)鍵因素。然而，隨著通用大模型參數(shù)和 Token 數(shù)量不斷增加，模型單次推理所需的算力也在持續(xù)增加，企業(yè)的算力焦慮撲面而來(lái)。與其關(guān)注無(wú)法短時(shí)間達(dá)到的算力規(guī)模，不如聚焦在“效價(jià)比”，即綜合考量大模型訓(xùn)練和推理過(guò)程中所需軟硬件的經(jīng)濟(jì)投入成本、使用效果和產(chǎn)品性能。

CPU 不僅是企業(yè)解決 AI 算力焦慮過(guò)程中的重要選項(xiàng)，更是企業(yè)追求“效價(jià)比”的優(yōu)選。在大模型技術(shù)落地的“效價(jià)比”探索層面上，百度智能云和英特爾也不謀而合。

百度智能云千帆大模型平臺(tái)（下文簡(jiǎn)稱(chēng)“千帆大模型平臺(tái)”）作為一個(gè)面向開(kāi)發(fā)者和企業(yè)的人工智能服務(wù)平臺(tái)，提供了豐富的大模型，對(duì)大模型的推理及部署服務(wù)優(yōu)化積攢了很多作為開(kāi)發(fā)平臺(tái)的經(jīng)驗(yàn)，他們發(fā)現(xiàn)，CPU 的 AI 算力潛力將有助于提升 CPU 云服務(wù)器的資源利用率，能夠滿(mǎn)足用戶(hù)快速部署 LLM 模型的需求，同時(shí)還發(fā)現(xiàn)了許多很適合 CPU 的使用場(chǎng)景：

●SFT 長(zhǎng)尾模型：每個(gè)模型的調(diào)用相對(duì)稀疏，CPU 的靈活性和通用性得以充分發(fā)揮，能夠輕松管理和調(diào)度這些模型，確保每個(gè)模型在需要時(shí)都能快速響應(yīng)。

●小于 10b 的小參數(shù)規(guī)模大模型：由于模型規(guī)模相對(duì)較小，CPU 能夠提供足夠的計(jì)算能力，同時(shí)保持較低的能耗和成本。

●對(duì)首 Token 時(shí)延不敏感，更注重整體吞吐的離線(xiàn)批量推理場(chǎng)景：這類(lèi)場(chǎng)景通常要求系統(tǒng)能夠高效處理大量的數(shù)據(jù)，而 CPU 的強(qiáng)大計(jì)算能力和高吞吐量特性可以很好地滿(mǎn)足要求，能夠確保推理任務(wù)的快速完成。

英特爾的測(cè)試數(shù)據(jù)也驗(yàn)證了千帆大模型平臺(tái)團(tuán)隊(duì)的發(fā)現(xiàn)，其通過(guò)測(cè)試證明，單臺(tái)雙路 CPU 服務(wù)器完全可以輕松勝任幾 B 到幾十 B 參數(shù)的大模型推理任務(wù)，Token 生成延時(shí)完全能夠達(dá)到數(shù)十毫秒的業(yè)務(wù)需求指標(biāo)，而針對(duì)更大規(guī)模參數(shù)的模型，例如常用的 Llama 2-70B，CPU 同樣可以通過(guò)分布式推理方式來(lái)支持。此外，批量處理任務(wù)在 CPU 集群的閑時(shí)進(jìn)行，忙時(shí)可以處理其他任務(wù)，而無(wú)需維護(hù)代價(jià)高昂的 GPU 集群，這將極大節(jié)省企業(yè)的經(jīng)濟(jì)成本。

也正是出于在“CPU 上跑 AI”的共識(shí)，雙方展開(kāi)了業(yè)務(wù)上的深度合作。百度智能云千帆大模型平臺(tái)采?基于英特爾? AMX 加速器和大模型推理軟件解決方案 xFasterTransformer (xFT)，進(jìn)?步加速英特爾? 至強(qiáng)? 可擴(kuò)展處理器的 LLM 推理速度。

3、將 CPU 在 AI 方面的潛能發(fā)揮到極致

為了充分發(fā)揮 CPU 在 AI 推理方面的極限潛能，需要從兩個(gè)方面進(jìn)行技術(shù)探索——硬件層面的升級(jí)和軟件層面的優(yōu)化適配。

千帆大模型平臺(tái)采用 xFT，主要進(jìn)行了以下三方面的優(yōu)化：

●系統(tǒng)層面：利用英特爾? AMX/AVX512 等硬件特性，高效快速地完成矩陣 / 向量計(jì)算；優(yōu)化實(shí)現(xiàn)針對(duì)超長(zhǎng)上下文和輸出的 Flash Attention/Flash Decoding 等核心算子，降低數(shù)據(jù)類(lèi)型轉(zhuǎn)換和數(shù)據(jù)重排布等開(kāi)銷(xiāo)；統(tǒng)一內(nèi)存分配管理，降低推理任務(wù)的內(nèi)存占用。

●算法層面：在精度滿(mǎn)足任務(wù)需求的條件下，提供多種針對(duì)網(wǎng)絡(luò)激活層以及模型權(quán)重的低精度和量化方法，大幅度降低訪存數(shù)據(jù)量的同時(shí)，充分發(fā)揮出英特爾? AMX 等加速部件對(duì) BF16/INT8 等低精度數(shù)據(jù)計(jì)算的計(jì)算能力。

●多節(jié)點(diǎn)并行：支持張量并行（Tensor Parallelism）等對(duì)模型權(quán)重進(jìn)行切分的并行推理部署。使用異構(gòu)集合通信的方式提高通信效率，進(jìn)一步降低 70b 規(guī)模及以上 LLM 推理時(shí)延，提高較大批處理請(qǐng)求的吞吐。

第五代至強(qiáng)? 可擴(kuò)展處理器能在 AI 推理上能夠取得如此亮眼的效果，同樣離不開(kāi)軟件層面的優(yōu)化適配。為了解決 CPU 推理性能問(wèn)題，這就不得不提 xFT 開(kāi)源推理框架了。

xFT 底層適用英特爾 AI 軟件棧，包括 oneDNN、oneMKL、IG、oneCCL 等高性能庫(kù)。用戶(hù)可以調(diào)用和組裝這些高性能庫(kù)，形成大模型推理的關(guān)鍵算子，并簡(jiǎn)單組合算子來(lái)支持 Llama、文心一言等大模型。同時(shí)，xFT 最上層提供 C++ 和 Python 兩套便利接口，很容易集成到現(xiàn)有框架或服務(wù)后端。

xFT 采用了多種優(yōu)化策略來(lái)提升推理效率，其中包括張量并行和流水線(xiàn)并行技術(shù)，這兩種技術(shù)能夠顯著提高并行處理的能力。通過(guò)高性能融合算子和先進(jìn)的量化技術(shù)，其在保持精度的同時(shí)提高推理速度。此外，通過(guò)低精度量化和稀疏化技術(shù)，xFT 有效地降低了對(duì)內(nèi)存帶寬的需求，在推理速度和準(zhǔn)確度之間取得平衡，支持多種數(shù)據(jù)類(lèi)型來(lái)實(shí)現(xiàn)模型推理和部署，包括單一精度和混合精度，可充分利用 CPU 的計(jì)算資源和帶寬資源來(lái)提高 LLM 的推理速度。

另外值得一提的是，xFT 通過(guò)“算子融合”、“最小化數(shù)據(jù)拷貝”、“重排操作”和“內(nèi)存重復(fù)利用”等手段來(lái)進(jìn)一步優(yōu)化 LLM 的實(shí)現(xiàn)，這些優(yōu)化策略能夠最大限度地減少內(nèi)存占用、提高緩存命中率并提升整體性能。通過(guò)仔細(xì)分析 LLM 的工作流程并減少不必要的計(jì)算開(kāi)銷(xiāo)，該引擎進(jìn)一步提高了數(shù)據(jù)重用度和計(jì)算效率，特別是在處理 Attention 機(jī)制時(shí)，針對(duì)不同長(zhǎng)度的序列采取了不同的優(yōu)化算法來(lái)確保最高的訪存效率。

目前，英特爾的大模型加速方案 xFT 已經(jīng)成功集成到千帆大模型平臺(tái)中，這項(xiàng)合作使得在千帆大模型平臺(tái)上部署的多個(gè)開(kāi)源大模型能夠在英特爾至強(qiáng)? 可擴(kuò)展處理器上獲得最優(yōu)的推理性能：

●在線(xiàn)服務(wù)部署：用戶(hù)可以利用千帆大模型平臺(tái)的 CPU 資源在線(xiàn)部署多個(gè)開(kāi)源大模型服務(wù)，這些服務(wù)不僅為客戶(hù)應(yīng)用提供了強(qiáng)大的大模型支持，還能夠用于千帆大模型平臺(tái) prompt 優(yōu)化工程等相關(guān)任務(wù)場(chǎng)景。

●高性能推理：借助英特爾? 至強(qiáng)? 可擴(kuò)展處理器和 xFT 推理解決方案，千帆大模型平臺(tái)能夠?qū)崿F(xiàn)大幅提升的推理性能。這包括降低推理時(shí)延，提高服務(wù)響應(yīng)速度，以及增強(qiáng)模型的整體吞吐能力。

●定制化部署：千帆大模型平臺(tái)提供了靈活的部署選項(xiàng)，允許用戶(hù)根據(jù)具體業(yè)務(wù)需求選擇最適合的硬件資源配置，從而優(yōu)化大模型在實(shí)際應(yīng)用中的表現(xiàn)和效果。

4、寫(xiě)在最后

對(duì)于千帆大模型平臺(tái)來(lái)說(shuō)，英特爾幫助其解決了客戶(hù)在大模型應(yīng)用過(guò)程中對(duì)計(jì)算資源的需求，進(jìn)一步提升了大模型的性能和效率，讓用戶(hù)以更低的成本獲取高質(zhì)量的大模型服務(wù)。

大模型生態(tài)要想持續(xù)不斷地往前演進(jìn)，無(wú)疑要靠一個(gè)個(gè)實(shí)打?qū)嵉男I(yè)務(wù)落地把整個(gè)生態(tài)構(gòu)建起來(lái)，英特爾聯(lián)合千帆大模型平臺(tái)正是在幫助企業(yè)以最少的成本落地大模型應(yīng)用，讓他們?cè)谔剿鞔竽Ｐ蛻?yīng)用時(shí)找到了更具效價(jià)比的選項(xiàng)。

未來(lái)，雙方計(jì)劃在更高性能的至強(qiáng)? 產(chǎn)品支持、軟件優(yōu)化、更多模型支持以及重點(diǎn)客戶(hù)聯(lián)合支持等方面展開(kāi)深入合作。旨在提升大模型運(yùn)行效率和性能，為千帆大模型平臺(tái)提供更完善的軟件支持，確保用戶(hù)能及時(shí)利用最新的技術(shù)成果，從而加速大模型生態(tài)持續(xù)向前。

更多關(guān)于至強(qiáng)? 可擴(kuò)展處理器為千帆大模型平臺(tái)推理加速的信息，請(qǐng)點(diǎn)擊英特爾官網(wǎng)查閱。