世界最大AI芯片打破单设备训练大模型记录 ，Cerebras要「杀死」GPU

以造出世界上最大加速器芯片CS-2 Wafer Scale Engine闻名的公司Cerebras昨日宣布他们已经在利用“巨芯”进行人工智能训练上走出了重要的一步。该公司训练出了单芯片上全世界最大的NLP（自然语言处理）AI模型。

该模型具有20亿个参数，基于CS-2芯片进行训练。这块全世界最大的加速器芯片采用7nm制程工艺，由一整块方形的晶圆刻蚀而成。它的大小数百倍于主流芯片，具有15KW的功率。它集成了2.6万亿个7nm晶体管，封装了850000个内核和40GB内存。

图1 CS-2 Wafer Scale Engine芯片

单芯片训练AI大模型新纪录

NLP模型的开发是人工智能中的一个重要领域。利用NLP模型，人工智能可以“理解”文字含义，并进行相应的动作。OpenAI的DALL.E模型就是一个典型的NLP模型。这个模型可以将使用者的输入的文字信息转化为图片输出。

比如当使用者输入“牛油果形状的扶手椅”后，AI就会自动生成若干与这句话对应的图像。

图：AI接收信息后生成的“牛油果形状扶手椅”图片

不止于此，该模型还能够使AI理解物种、几何、历史时代等复杂的知识。

但要实现这一切并不容易，NLP模型的传统开发具有极高的算力成本和技术门槛。

实际上，如果只讨论数字，Cerebras开发的这一模型20亿的参数量在同行的衬托下，显得有些平平无奇。

前面提到的DALL.E模型具有120亿个参数，而目前最大的模型是DeepMind于去年年底推出的Gopher，具有2800亿个参数。

但除去惊人的数字外，Cerebras开发的NLP还有一个巨大的突破：它降低了NLP模型的开发难度。

「巨芯」如何打败GPU？

按照传统流程，开发NLP模型需要开发者将巨大的NLP模型切分若干个功能部分，并将他们的工作负载分散到成百上千个图形处理单元上。

数以千百计的图形处理单元对厂商来说意味着巨大的成本。

技术上的困难也同样使厂商们痛苦不堪。

切分模型是一个定制的问题，每个神经网络、每个GPU的规格、以及将他们连接（或互联）在一起的网络都是独一无二的，并且不能跨系统移植。

厂商必须在第一次训练前将这些因素统统考虑清楚。

这项工作极其复杂，有时候甚至需要几个月的时间才能完成。

Cerebras表示这是NLP模型训练中“最痛苦的方面之一”。只有极少数公司拥有开发NLP所必要的资源和专业知识。对于人工智能行业中的其他公司而言，NLP的训练则太昂贵、太耗时且无法使用。

但如果单个芯片就能够支持20亿个参数的模型，就意味着不需要使用海量的GPU分散训练模型的工作量。这可以为厂商节省数千个GPU的训练成本和相关的硬件、扩展要求。同时这也使厂商不必经历切分模型并将其工作负载分配给数千个GPU的痛苦。

Cerebras也并未仅仅执拗于数字，评价一个模型的好坏，参数的数量并不是唯一标准。

比起希望诞生于“巨芯”上的模型“努力”，Cerebras更希望的是模型“聪明”。

之所以Cerebras能够在参数量上取得爆炸式增长，是因为利用了权重流技术。这项技术可以将计算和内存的占用量解耦，并允许将内存扩展到足以存储AI工作负载中增加的任何数量的参数。

由于这项突破，设置模型的时间从几个月减少到了几分钟。并且开发者在GPT-J和GPT-Neo等型号之间“只需几次按键”就可以完成切换。这让NLP的开发变得更加简单。

这使得NLP领域出现了新的变化。

正如Intersect360 Research 首席研究官 Dan Olds 对Cerebras取得成就的评价：“Cerebras 能够以具有成本效益、易于访问的方式将大型语言模型带给大众，这为人工智能开辟了一个激动人心的新时代。”