设为首页 - 加入收藏 黔南站长网 (http://www.0854zz.com)- 国内知名站长资讯网站,提供最新最全的站长资讯,创业经验,网站建设等!
热搜: vivo 芯片 图片 平台
当前位置: 首页 > 综合聚焦 > 移动互联 > 评测 > 正文

全球十大AI训练芯片大盘点

发布时间:2019-10-16 04:40 所属栏目:[评测] 来源:乾明
导读:本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。 AI芯片哪家强?现在,有直接的对比与参考了。 英国一名资深芯片工程师James W. Hanlon,盘点了当前十大AI训练芯片。 并给出了各个指标的横向对比,也是目前对AI训练芯片最新的讨论与梳

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

AI芯片哪家强?现在,有直接的对比与参考了。

英国一名资深芯片工程师James W. Hanlon,盘点了当前十大AI训练芯片。

并给出了各个指标的横向对比,也是目前对AI训练芯片最新的讨论与梳理。

其中,华为昇腾910是中国芯片厂商唯一入选的芯片,其性能如何,也在这一对比中有了展现。

全球十大AI训练芯片大盘点:华为昇腾910是中国唯一入选

△ *代表推测,†代表单芯片数据。

Cerebras Wafer-Scale Engine

全球十大AI训练芯片大盘点:华为昇腾910是中国唯一入选

这一芯片于今年8月份正式面世,名为“晶圆级引擎”(Cerebras Wafer Scale Engine,简称WSE)。

其最大的特征是将逻辑运算、通讯和存储器集成到单个硅片上,是一种专门用于深度学习的芯片。

一举创下4项世界纪录:

  • 晶体管数量最多的运算芯片:总共包含1.2万亿个晶体管。虽然三星曾造出2万亿个晶体管的芯片,却是用于存储的eUFS。
  • 芯片面积最大:尺寸约20厘米×23厘米,总面积46225平方毫米。
  • 片上缓存最大:包含18GB的片上SRAM存储器。
  • 运算核心最多:包含410,592个处理核心

之所以能够有如此亮眼的数据,直接得益于其集成了84个高速互连的芯片,单个芯片在FP32上的峰值性能表现为40 Tera FLOPs,芯片功率达15千瓦,与AI集群相当。

片上缓存也达到了18GB,是GPU缓存的3000倍;可提供每秒9PB的内存带宽, 比GPU快10,000倍。

晶片规模集成,并不是一个新的想法,但产量、功率传输和热膨胀相关的问题使其很难商业化。在这些方面,Cerebras都给出了相应的解决办法:

  • 为了解决缺陷导致良率不高的问题,Cerebras在设计的芯片时候考虑了1~1.5%的冗余,添加了额外的核心,当某个核心出现问题时将其屏蔽不用,因此有杂质不会导致整个芯片报废。
  • Cerebras与台积电合作发明了新技术,来处理具有万亿加晶体管芯片的刻蚀和通讯问题。
  • 在芯片上方安装了一块“冷却板”,使用多个垂直安装的水管直接冷却芯片。

Cerebras公司由Sean Lie(首席硬件架构师)、Andrew Feldman(首席执行官)等人于2016年创立。后者曾创建微型服务器公司SeaMicro,并以3.34亿美元的价格出售给AMD。

该公司在加州有194名员工,其中包括173名工程师,迄今为止已经从Benchmark等风投机构获得了1.12亿美元的投资。

拓展阅读:

史上最大AI芯片诞生:462平方厘米、40万核心、1.2万亿晶体管,创下4项世界纪录

Google TPU(v1、v2、v3)

Google TPU系列芯片正式发布于2016年,第一代芯片TPU v1只用于推理,而且只支持整数运算。

通过在PCIe-3之间发送指令来执行矩阵乘法和应用激活函数,从而为主机CPU提供加速,节省了大量的设计和验证时间。其主要数据为:

  • 芯片面积331平方毫米,28nm制程
  • 频率为700 MHz,功耗28-40W
  • 片上存储为28 MB SRAM:24MB 用于激活,4MB 用于累加器
  • 芯片面积比例:35%用于内存,24%用于矩阵乘法单元,剩下的41%面积用于逻辑。
  • 256x256x8b收缩矩阵乘法单元(64K MACs/cycle)
  • Int8和 INT16算法(峰值分别为92和23 TOPs/s)

IO数据:

  • 可以通过两个接口访问8 GB DDR3-2133 DRAM,速度为34 GB/s
  • PCIe-3x16 (14 GBps)

2017年5月,Google TPU v2发布,改进了TPU v1的浮点运算能力,并增强了其内存容量、带宽以及HBM 集成内存,不仅能够用于推理,也能够用于训练。其单个芯片的数据如下:

  • 20nm制程,功耗在200-250W(推测)
  • BFloat16上性能表现为45 TFLOPs,也支持 FP32
  • 具有标量和矩阵单元的双核
  • 集成4块芯片后,峰值性能为180 TFLOPs

单核数据:

  • 128x128x32b收缩矩阵单元(MXU)
  • 8GB专用HBM,接入带宽300 GBps
  • BFloat16上的最大吞吐量为22.5 TFLOPs

IO数据:

  • 16Gb HBM集成内存,600 GBps带宽(推测)
  • PCIe-3 x8 (8 GBps)

Google TPU v2发布一年之后,Google再度发布新版芯片——TPU v3。

全球十大AI训练芯片大盘点:华为昇腾910是中国唯一入选

但关于TPU v3的细节很少,很可能只是对TPU v2一个渐进式改版,性能表现翻倍,增加了HBM2内存使容量和带宽翻倍。其单个芯片的数据如下:

  • 16nm或12nm制程,功耗估计在200W
  • BFloat16的性能为105 TFLOPs,可能是MXUs的2倍到4倍
  • 每个MXU都能访问8GB的专用内存
  • 集成4个芯片后,峰值性能420 TFLOPs

IO数据:

  • 32GB的HBM2集成内存,带宽为1200GBps (推测)
  • PCIe-3 x8 (8 GBps)(推测)

拓展阅读:

想了解TPU 3.0?Jeff Dean推荐看看这段视频

Graphcore IPU

Graphcore成立于成立于2016年,不仅备受资本和业界巨头的青睐,还颇受业内大佬的认可。

2018年12月,宣布完成2亿美元的D轮融资,估值17亿美元。投资方有宝马、微软等业界巨头,还有著名的风投公司Sofina、Atomico等。

AI巨头Hinton、DeepMind创始人哈萨比斯,都直接表达了赞美。

【免责声明】本站内容转载自互联网,其相关言论仅代表作者个人观点绝非权威,不代表本站立场。如您发现内容存在版权问题,请提交相关链接至邮箱:bqsm@foxmail.com,我们将及时予以处理。

网友评论
推荐文章