“大模型在各行業(yè)的廣泛應(yīng)用驅(qū)動(dòng)了新一輪產(chǎn)業(yè)革命，也凸顯了在AI算力方面的瓶頸。通過(guò)攜手英特爾釋放英特爾 至強(qiáng) 可擴(kuò)展處理器的算力潛力，我們?yōu)橛脩籼峁┝烁咝阅?、靈活、經(jīng)濟(jì)的算力基礎(chǔ)設(shè)施方案，結(jié)合千帆大模型平臺(tái)在大模型工具鏈、豐富的預(yù)置模型等方面的升級(jí)，我們將進(jìn)一步推動(dòng)大模型技術(shù)在各行各業(yè)的廣泛應(yīng)用，為企業(yè)智能化提供更多可能性?！?/p>

—— 謝廣軍

百度副總裁

“百花齊放的大模型時(shí)代呼喚著更加經(jīng)濟(jì)、可及的AI算力資源，通過(guò)百度智能云千帆大模型平臺(tái)，用戶能夠快捷、高效地部署基于CPU的LLM推理服務(wù)，并發(fā)揮英特爾 至強(qiáng) 可擴(kuò)展處理器在AI推理方面的巨大價(jià)值。我們將進(jìn)一步加速大模型的生態(tài)建設(shè)與軟硬件創(chuàng)新，助力更多的用戶利用大模型推動(dòng)業(yè)務(wù)創(chuàng)新?！?/p>

—— 陳葆立

英特爾數(shù)據(jù)中心與人工智能集團(tuán)副總裁

中國(guó)區(qū)總經(jīng)理

概 述

以文心大模型、Llama、GPT和ChatGLM為代表的大語(yǔ)言模型(LLM)展示了人工智能(AI)的驚人潛力，其在藝術(shù)創(chuàng)作、辦公、娛樂(lè)、生產(chǎn)方面的廣泛應(yīng)用激發(fā)了新一輪的產(chǎn)業(yè)革命。雖然LLM在各種自然語(yǔ)言處理任務(wù)中表現(xiàn)優(yōu)越，但也帶來(lái)了巨量的算力資源消耗。目前機(jī)器學(xué)習(xí)開(kāi)源框架如PyTorch等雖然支持基于CPU平臺(tái)執(zhí)行計(jì)算，但CPU上的算力并沒(méi)有被充分挖掘，通用框架軟件基于CPU硬件的優(yōu)化程度欠佳，其推理性能并不能滿足真實(shí)業(yè)務(wù)的吞吐和時(shí)延需求。

百度智能云千帆大模型平臺(tái)是一個(gè)面向開(kāi)發(fā)者和企業(yè)的人工智能服務(wù)平臺(tái)。它為開(kāi)發(fā)者提供了豐富的人工智能模型和算法，尤其是豐富的LLM支持，能夠幫助用戶構(gòu)建各種智能應(yīng)用。為了提升基于CPU的LLM推理性能，百度智能云利用英特爾 至強(qiáng) 可擴(kuò)展處理器搭載的英特爾 高級(jí)矩陣擴(kuò)展（英特爾 AMX）等高級(jí)硬件能力，助力千帆大模型平臺(tái)在CPU端的推理加速。

挑戰(zhàn)：LLM推理帶來(lái)算力、資源利用率等挑戰(zhàn)

目前開(kāi)源的LLM網(wǎng)絡(luò)結(jié)構(gòu)主要以Transformer子結(jié)構(gòu)為基礎(chǔ)模塊，其推理解碼的過(guò)程是一個(gè)自回歸的過(guò)程，當(dāng)前詞的生成計(jì)算依賴于所有前文的計(jì)算結(jié)果。LLM推理過(guò)程中涉及大量的、多維度的矩陣乘法計(jì)算，在不同參數(shù)量級(jí)模型、不同并發(fā)、不同數(shù)據(jù)分布等場(chǎng)景下，模型推理的性能瓶頸可能在于計(jì)算或者帶寬，為了保證模型生成的吞吐和時(shí)延，對(duì)硬件平臺(tái)的算力和訪存帶寬都會(huì)提出較高的要求。

目前，行業(yè)還存在大量離線的LLM應(yīng)用需求，如生成文章總結(jié)、摘要、數(shù)據(jù)分析等，與在線場(chǎng)景相比，離線場(chǎng)景通常會(huì)利用平臺(tái)的閑時(shí)算力資源，對(duì)于推理的時(shí)延要求不高，而對(duì)于推理的成本較為敏感，因此用戶更加傾向采用低成本、易獲得的CPU來(lái)進(jìn)行推理。百度智能云等云平臺(tái)中部署著大量基于CPU的云服務(wù)器，釋放這些CPU的AI算力潛力將有助于提升資源利用率，滿足用戶快速部署LLM模型的需求。

此外，對(duì)于30B等規(guī)模的LLM，需要采用高規(guī)格的GPU來(lái)進(jìn)行推理，普通GPU無(wú)法支持。但是，高規(guī)格的GPU的成本較高、供貨緊缺，對(duì)于離線場(chǎng)景的用戶來(lái)說(shuō)不是一個(gè)理想的選擇。而針對(duì)該場(chǎng)景，CPU不僅可以很好地支持30B及以下規(guī)模的模型，而且在性價(jià)比上更具優(yōu)勢(shì)。

解決方案：千帆大模型采用英特爾至強(qiáng)可擴(kuò)展處理器加速LLM推理

百度智能云千帆大模型平臺(tái)為企業(yè)提供大模型全生命周期工具鏈和整套環(huán)境，用戶可以在百度智能云千帆上開(kāi)發(fā)、訓(xùn)練、部署和調(diào)用自己的大模型服務(wù)。其提供智能計(jì)算基礎(chǔ)設(shè)施、豐富的大模型、數(shù)據(jù)集和精選應(yīng)用范式，以及包含數(shù)據(jù)管理、模型訓(xùn)練、評(píng)估和優(yōu)化、推理服務(wù)部署、Prompt工程等大模型全生命周期工具鏈，能夠顯著提升模型精調(diào)效果和應(yīng)用集成效率。

?覆蓋大模型全生命周期：提供數(shù)據(jù)標(biāo)注，模型訓(xùn)練與評(píng)估，推理服務(wù)與應(yīng)用集成的全面功能服務(wù)；

?推理能力大幅提升：可充分釋放CPU、GPU等硬件的推理性能潛力，算力利用率大幅提升，滿足不同規(guī)模模型的推理所需；

?快速應(yīng)用編排與插件集成：預(yù)置百度文心大模型與國(guó)內(nèi)外主流大模型，支持插件與應(yīng)用靈活編排，助力大模型多場(chǎng)景落地應(yīng)用。

百度智能云千帆大模型平臺(tái)可以利用百度智能云平臺(tái)中豐富的英特爾 至強(qiáng) 可擴(kuò)展處理器資源，加速LLM模型的推理，滿足LLM模型實(shí)際部署的需求。

圖1. 百度智能云千帆大模型平臺(tái)支持的英特爾 CPU

新一代英特爾 至強(qiáng) 可擴(kuò)展處理器通過(guò)創(chuàng)新架構(gòu)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。英特爾 至強(qiáng) 可擴(kuò)展處理器提供了出色性能和安全性，可根據(jù)用戶的業(yè)務(wù)需求進(jìn)行擴(kuò)展。借助內(nèi)置的加速器，用戶可以在AI、分析、云和微服務(wù)、網(wǎng)絡(luò)、數(shù)據(jù)庫(kù)、存儲(chǔ)等類型的工作負(fù)載中獲得優(yōu)化的性能。通過(guò)與強(qiáng)大的生態(tài)系統(tǒng)相結(jié)合，英特爾 至強(qiáng) 可擴(kuò)展處理器能夠幫助用戶構(gòu)建更加高效、安全的基礎(chǔ)設(shè)施。

第四代和第五代英特爾 至強(qiáng) 可擴(kuò)展處理器中內(nèi)置了英特爾 AMX加速器，可優(yōu)化深度學(xué)習(xí)(DL)訓(xùn)練和推理工作負(fù)載。英特爾 AMX架構(gòu)由兩部分組件構(gòu)成：第一部分為TILE，由8個(gè)1KB大小的2D寄存器組成，可存儲(chǔ)大數(shù)據(jù)塊。

第二部分為平鋪矩陣乘法(TMUL)，它是與TILE連接的加速引擎，可執(zhí)行用于AI的矩陣乘法計(jì)算。英特爾 AMX支持INT8和BF16兩種數(shù)據(jù)類型以滿足不同精度的加速需求。AMX讓英特爾 至強(qiáng) 可擴(kuò)展處理器實(shí)現(xiàn)了大幅代際性能提升，與內(nèi)置英特爾 高級(jí)矢量擴(kuò)展512矢量神經(jīng)網(wǎng)絡(luò)指令（Intel Advanced Vector Extensions 512 Vector Neural Network Instructions，英特爾 AVX-512 VNNI）的第三代英特爾 至強(qiáng) 可擴(kuò)展處理器 相比，內(nèi)置英特爾 AMX的第四代英特爾 至強(qiáng) 可擴(kuò)展處理器將單位計(jì)算周期內(nèi)執(zhí)行INT8運(yùn)算的次數(shù)從256次提高至2048次，是AVX512_VNNI同樣數(shù)據(jù)類型的8倍。

英特爾 至強(qiáng) 可擴(kuò)展處理器可支持High Bandwidth Memory(HBM)內(nèi)存，高帶寬內(nèi)存HBM和DDR5相比，具有更多的訪存通道和更長(zhǎng)的讀取位寬，理論帶寬可達(dá)DDR5的4倍。雖然HBM的容量相對(duì)較?。總€(gè)CPU Socket 64 GB），每個(gè)物理核心僅可以平均獲得超過(guò)1GB的高帶寬內(nèi)存容量，但對(duì)于包括大模型推理任務(wù)在內(nèi)的絕大多數(shù)計(jì)算任務(wù)，HBM可以容納全部的權(quán)重?cái)?shù)據(jù)，顯著提升訪存限制型的計(jì)算任務(wù)。經(jīng)實(shí)測(cè)，在真實(shí)的大模型推理任務(wù)上可以實(shí)現(xiàn)明顯的端到端加速。

圖2. 英特爾 AMX可以更高效的實(shí)現(xiàn)AI加速

百度智能云千帆大模型平臺(tái)采用基于AMX加速器和HBM硬件特性極致優(yōu)化的大模型推理軟件解決方案xFasterTransformer(xFT)，進(jìn)一步加速英特爾 至強(qiáng) 可擴(kuò)展處理器的LLM推理速度。軟件架構(gòu)的詳細(xì)信息如圖3所示，其具備如下優(yōu)勢(shì)：

?通過(guò)模型轉(zhuǎn)換工具，xFT實(shí)現(xiàn)了對(duì)HuggingFace上開(kāi)源模型格式的全面支持。

?軟件的核心高性能計(jì)算庫(kù)包括oneDNN、MKL以及針對(duì)LLM特別優(yōu)化的計(jì)算實(shí)現(xiàn)，這些高性能計(jì)算庫(kù)把對(duì)AMX/AVX512等加速部件的相關(guān)實(shí)現(xiàn)進(jìn)行隱藏，上層的LLM基礎(chǔ)算子實(shí)現(xiàn)以及網(wǎng)絡(luò)層的實(shí)現(xiàn)都建立在此基礎(chǔ)之上，形成了軟件和硬件特性的解耦。

?最上層提供C++以及Python接口方便測(cè)試，且由于全部的核心代碼均基于C++實(shí)現(xiàn)，因此集成進(jìn)現(xiàn)有的框架非常便捷。

圖3. 英特爾 至強(qiáng) 可擴(kuò)展處理器LLM推理軟件解決方案

具體的優(yōu)化策略如下：

圖4. 將模型轉(zhuǎn)化為低精度數(shù)據(jù)格式可帶來(lái)性能提升

在千帆大模型平臺(tái)上實(shí)現(xiàn)CPU推理加速

當(dāng)前千帆大模型平臺(tái)已經(jīng)引入了針對(duì)英特爾 至強(qiáng) 可擴(kuò)展平臺(tái)深度優(yōu)化的LLM推理軟件解決方案xFT，并將其作為后端推理引擎，助力用戶在千帆大模型平臺(tái)上實(shí)現(xiàn)基于CPU的LLM推理加速。目前，使用該方案針對(duì)超長(zhǎng)上下文和長(zhǎng)輸出進(jìn)行了優(yōu)化，已經(jīng)支持Llama-2-7B/13B，ChatGLM2-6B等模型部署在線服務(wù)（參見(jiàn)表1）。

表1. 百度智能云千帆大模型平臺(tái)xFasterTransformer后端支持模型種類

Llama-2-7b模型測(cè)試數(shù)據(jù)如圖5和圖6所示，第四代英特爾 至強(qiáng) 可擴(kuò)展處理器上輸出Token吞吐可達(dá)100TPS以上，相比第三代英特爾 至強(qiáng) 可擴(kuò)展處理器提升了60%。在低延遲的場(chǎng)景，同等并發(fā)下，第四代英特爾 至強(qiáng) 可擴(kuò)展處理器的首Token時(shí)延比第三代英特爾 至強(qiáng) 可擴(kuò)展處理器可降低50%以上。在將處理器升級(jí)為第五代英特爾 至強(qiáng) 可擴(kuò)展處理器之后，吞吐可提升45%左右，首Token時(shí)延下降50%左右1 。

圖5. Llama-2-7b模型輸出Token吞吐

圖6. Llama-2-7b模型首Token時(shí)延

方案效果

通過(guò)在千帆大模型平臺(tái)中采用英特爾 至強(qiáng) 可擴(kuò)展處理器進(jìn)行LLM模型推理，方案效果如下：

?通過(guò)千帆大模型平臺(tái)提供的全生命周期工具鏈，快速在英特爾 至強(qiáng) 可擴(kuò)展平臺(tái)中部署LLM模型推理服務(wù)；

?高效釋放英特爾 至強(qiáng) 可擴(kuò)展處理器的AI推理性能，降低LLM生成時(shí)延，提供更佳的服務(wù)體驗(yàn)；

?針對(duì)30B以下規(guī)模的LLM模型，皆可采用英特爾 至強(qiáng) 可擴(kuò)展處理器結(jié)合x(chóng)FT推理解決方案，獲得良好性能體驗(yàn)；

?利用充足的CPU資源，降低對(duì)于AI加速卡的需求，從而降低LLM推理服務(wù)的總體擁有成本(TCO)，特別是在離線的LLM推理場(chǎng)景中表現(xiàn)出色。

展 望

通過(guò)xFasterTransformer等軟件方案，百度智能云千帆大模型平臺(tái)充分利用了英特爾 至強(qiáng) 可擴(kuò)展處理器的計(jì)算能力以及新一代AI內(nèi)置加速引擎英特爾 AMX，成功解決了大模型推理中的計(jì)算密集型和訪存受限型算子挑戰(zhàn)，實(shí)現(xiàn)了基于CPU的LLM推理加速，助力用戶更加高效地利用CPU資源。

未來(lái)，英特爾與百度將繼續(xù)深化合作，推動(dòng)大模型平臺(tái)的發(fā)展，計(jì)劃進(jìn)一步優(yōu)化LLM推理算法和實(shí)現(xiàn)，提升推理性能和計(jì)算資源效率，使得更多類型和規(guī)模的大模型能夠在CPU平臺(tái)上得到支持和加速。同時(shí)，雙方將不斷完善軟硬件配套解決方案，提供更加全面和靈活的技術(shù)支持，滿足用戶在自然語(yǔ)言處理領(lǐng)域的不斷增長(zhǎng)的需求。