请问一下DSP数学能否在AI领域战胜GPU呢？

AI芯片初创公司Lemurian Labs发明了一种专为AI加速设计的新型对数数字格式，并正在构建一种芯片，利用它为数据中心AI工作负载服务。

Lemurian的CEO Jay Dawani说：“2018年，我正在为机器人训练模型，部分是卷积，部分是Transformer，部分是强化学习。在1万个Nvidia V100 GPU上训练这个模型需要6个月时间……模型呈指数级增长，但很少有人有足够的算力来尝试训练，很多想法就这样被放弃了。我试图为那些有伟大想法但却苦于没有算力的普通的ML工程师构建模型。”

对Lemurian首款芯片的模拟显示，根据H100最新的MLPerf推理基准测试结果，Lemurian的新数字系统与专门设计的芯片相结合，其性能将优于Nvidia的H100。在离线模式下，Lemurian芯片在MLPerf版本的GPT-J中每个芯片每秒可处理17.54次推理（Nvidia H100在离线模式下每秒可处理13.07次推理）。Dawani说，Lemurian的模拟结果可能在真实芯片性能的10%以内，但他的团队打算今后从软件中榨取更多性能。他说，软件优化加上稀疏性可以将性能再提高3-5倍。

对数数字系统‍‍

Lemurian的秘诀在于该公司提出的新数字格式，称之为PAL（parallel adaptive logarithms）。

Dawani说：“作为一个行业，我们开始急于采用8位整数量化，因为从硬件的角度来看，这是我们所拥有的最有效的东西。但从来没有软件工程师说过我想要8位整数！”

对于今天的LLM推理而言，INT8的精度已被证明是不够的，业界已转向FP8。但Dawani解释说，AI工作负载的性质意味着数字经常处于亚正常范围（接近零的区域），FP8可以表示的数字较少，因此精度较低。FP8在亚正常范围内的覆盖率存在差距，这也是许多训练方案需要BF16和FP32等更高精度数据类型的原因。

比较各种数字格式的覆盖范围。与CFP8（configurable floating point 8）、INT8（integer 8）和现有LNS8（logarithmic number system 8）相比，Lemurian的8位对数数据类型PAL8在亚正常范围的覆盖率更高。

Dawani的联合创始人Vassil Dimitrov提出了一个想法，即通过使用多基数和多指数来扩展现有的LNS（logarithmic number system），该系统已在DSP中使用了几十年。

Dawani说：“我们交错表示多个指数，以重现浮点的精度和范围。这样就能提供更好的覆盖范围……它自然而然地形成了一个锥形轮廓，在重要的地方，即在亚正常范围内，具有非常高的精度带。” 这个精度带可以进行偏置，以覆盖所需的区域，这与浮点运算的原理类似，但Dawani说，它允许对偏置进行比浮点运算更精细的控制。

Lemurian开发了从PAL2到PAL64的PAL格式，其中14位格式与BF16相当。与FP8相比，PAL8的精度提高了约一个比特，大小约为INT8的1.2倍。Dawani希望其它公司也能采用这些格式。

他说：“我希望更多的人使用它，因为我认为是时候摆脱浮点运算了。PAL可以应用于目前浮点运算的任何应用，从DSP到HPC以及两者之间，而不仅仅是AI，尽管这是我们目前的重点。我们更有可能与其它为这些应用构建芯片的公司合作，帮助他们采用我们的格式。”

对数加法器‍‍

由于对数加法器简化了乘法运算，因此在大部分为乘法运算的DSP工作负载中，对数加法器已使用了很长时间。LNS表示的两个数的乘法就是这两个对数的加法。然而，将两个LNS数字相加却比较困难。DSP传统上使用LUT (large lookup table) 来实现加法运算，虽然效率相对较低，但如果所需的大部分运算都是乘法运算，这种方法已经足够好了。

对于AI工作负载来说，矩阵乘法需要乘法和加法。Dawani说，Lemurian的秘诀之一就是“在硬件上解决了对数加法”。

他说：“我们完全摒弃了LUT，创建了一个纯对数加法器。我们有一个比浮点精确得多的精确加法器。我们仍在进行更多优化，看看能否使它更便宜、更快速。它的PPA（power, performance, area）已经比FP8高出两倍多。” Lemurian已经为这款加法器申请了多项专利。

他说：“DSP界以研究工作负载并从数值上理解它在寻找什么著称，然后加以利用并将其转化为芯片。这与我们正在做的事没有什么不同。我们并没有构建一个只做一件事的ASIC，而是研究了整个神经网络空间的数值，并构建了一个具有适度灵活性的特定领域架构。”

Lemurian数据流架构的高级视图。该芯片是围绕该公司的对数数字系统设计的。

软件堆栈‍‍

以高效的方式实现PAL格式需要硬件和软件。

Dawani说：“我们花了很多心思去思考如何让硬件更容易编程，因为除非你能首先提高工程师的生产力，否则任何架构都不会成功。我宁愿有一个糟糕的硬件架构和一个优秀的软件堆栈，而不是相反。”

他说，Lemurian在开始考虑硬件架构之前，就已经构建了大约40%的编译器。如今，Lemurian的软件堆栈已经开始运行，Dawani希望保持它的完全开放性，这样用户就可以编写自己的内核和融合程序。

软件堆栈包括Lemurian的混合精度对数量化器Paladynn，它可以将浮点和整数工作负载映射到PAL格式，同时保持精度。

他说：“我们采用了神经架构搜索中的许多想法，并将其应用于量化，因为我们想让这部分变得简单。”

Dawani说，虽然卷积神经网络的量化相对容易，但transformer却并非如此。激活函数中存在异常值，需要更高的精度，因此transformer总体上可能需要更复杂的混合精度方法。不过，Dawani说，他正在关注多项研究工作，这些工作表明，到Lemurian的芯片上市时，transformer可能就不再流行了。

未来的AI工作负载可能会遵循Google的Gemini等公司设定的路径，即运行非确定的步数。他说，这打破了大多数硬件和软件堆栈的假设。

他说：“如果你事先不知道你的模型需要运行多少步，你该如何安排它，你需要在多少计算上安排它？你需要的是更动态的东西，这影响了我们的很多想法。”

该芯片将是一款300W的数据中心加速器，配备128GB HBM3，可提供3.5POPS的密集算力（稀疏性将稍后推出）。总体而言，Dawani的目标是打造一款性能优于H100的芯片，并使其价格与Nvidia上一代A100相当。目标应用包括内部AI服务器（任何行业）和一些二级或专业云公司（非超大规模公司）。

审核编辑：刘清