又一位英伟达"杀手"亮相：性能是H100数倍，成本仅1/10，支持万亿参数模型！
8月27日消息，在近日召开的HotChips2024大会上，美国AI芯片初创公司SambaNova首次详细介绍了其新推出的全球首款面向万亿参数规模的人工智能（AI）模型的AI芯片系统——基于可重构数据流单元(RDU)的AI芯片SN40L。
据介绍，基于SambaNova的SN40L的8芯片系统，可以为5万亿参数模型提供支持，单个系统节点上的序列长度可达256k+。对比英伟的H100芯片，SN40L不仅推理性能达到了H100的3.1倍，在训练性能也达到了H100的2倍，总拥有成本更是仅有其1/10。
SambaNovaSN40L基于台积电5nm制程工艺，拥有1020亿个晶体管（英伟达H100为800亿个晶体管），1040个自研的“Cerulean”架构的RDU计算核心，整体的算力达638TFLOPS（BF16），虽然这个算力不算太高，但是关键在于SN40L还拥有三层数据流存储器，包括：520MB的片上SRAM内存，集成的64GB的HBM内存，1.5TB的外部大容量内存。这也使得其能够支持万亿参数规模的大模型的训练和推理。
SambaNova在推出基于8个SN40L芯片系统的同时，还推出了16个芯片的系统，将可获得8GB片内SRAM、1TBHBM和24TB外部DDR内存，使得片上SRAM和集成的HBM内存之间的带宽高达25.5TB/s，HBM和外部DDR内存之间的带宽可达1600GB/s。高带宽将会带来明显的低延时的优势，比如运行Llama3.18B模型，延时低于0.01s。
下图是SambaNovaSN40L的内部结构，包括：计算单元（PCU）、存储单元（PMU）、网状开关（S）、片外存储器和IO（AGCU）。
SN40L内部的计算单元（PCU）的内部架构，它具有一系列静态阶段，而不是传统的获取/解码等执行单元。PCU可以作为流媒体单元（从左到右的数据）运行，蓝色是交叉车道减少树。在矩阵计算操作中，它可以用作收缩阵列。支持BF16、FP32、INT32、INT8等数据类型。
下图是SN40L的高级存储单元框架图。这些是可编程管理的暂存区，而不是传统的缓存。
SN40L的网状网络拥有三种物理网络，包括矢量网络、标量网络和控制网络。
AGCU单元用于访问片外存储器(HBM和DDR)，而PCU用于访问片内SRAM暂存区。
下图是SN40L的顶层互联结构：
SN40L的关键核心在于其可重构数据流架构，可重构数据流架构使其能够通过编译器映射优化各个神经网络层和内核的资源分配。
下面是一个例子，说明Softmax是如何被编译器捕获，然后映射到硬件的。
可以看到，将它映射到大语言模型（LLM）和生成式AI的Transformer模型，下面是映射。在解码器内部，有许多不同的操作。
下图是解码器放大图。每个方框内都是一个操作符。同时，通常可以运行多个操作符，并把数据保存在芯片上以便重用。
以下是SambaNova对运算符如何在GPU上融合的猜测，不过他们也指出这可能不准确。
在RDU中，整个解码器是一个内核调用。编译器负责这种映射。
解码器作为RDU上的单个内核。
回到Transformer的结构，下图展示了解码器的不同功能。可以看到，每个函数调用都有启动开销。
不是32个调用，而是写成一个调用。
换句话说，这意味着调用开销减少了，因为只有一个调用，而不是多个调用。结果，增加了芯片对数据做有用工作的时间。
SambaNova首席执行官兼创始人RodrigoLiang表示：“借助数据流，你可以不断改进这些模型的映射，因为它是完全可重构的。因此，随着软件的改进，你获得的收益不是增量的，而是相当可观的，无论是在效率方面还是在性能方面。”
下面是SambaNova的16个SN40L芯片系统在Llama3.1405B/70B/7B上的表现，在Llama3.17B模型下，以完全的16bit精度运行，其每秒的Token生成数竟然高达1100个。这比此前Groq推出的基于LPU（号称推理速度是英伟达GPU的10倍，功耗仅1/10）的服务器系统在Llama38B上的最快基准测试结果每秒生成800个Token还要快。即使是在Llama3.1405B模型上，以完全的16bit精度运行，16个SN40L芯片的系统每秒Token生成数也能够高达114个。而在Llama3.17B模型下，其每秒的Token生成数更是高达1100个。由于内存容量限制，与其最接近的竞争对手需要数百块芯片来运行每个模型的单个实例，因为GPU提供的总吞吐量和内存容量相对较低。
SN40L在Llama3.170B模型上进行批量推理和吞吐量缩放表现，随着批量大小的变化，吞吐量接近理想规模。
据SambaNova介绍，基于8个SN40L芯片的标准AI服务器系统在运行80亿参数的AI大模型时，速度达到了基于8张英伟达H100加速卡的DGXH100系统的3.7倍（每生成20个Token所耗费的时间），而整个系统所占用的空间也只有DGXH100的1/19，模型切换时间也仅有DGXH100系统的1/15。
在芯片推理性能方面，SN40L达到了英伟达H100的3.1倍；在训练性能方面，SN40L也达到了英伟达H100的2倍。
总结来说，SambaNova可以在8个SN40L芯片的系统上运行数百个大模型（在16个SN40L芯片的系统上可以同时运行多达1000个Llama37B大模型），同时还能够保持很快的响应速度，拥有完全精度。更为关键的是，其总拥有成本比竞争对手低10倍（虽然未明确是哪款竞品芯片，但从前面的对比来看，应该说的是H100）。
“SN40L的速度展现了Dataflow的魅力，它加速了SN40L芯片上的数据移动，最大限度地减少了延迟，并最大限度地提高了处理吞吐量。它比GPU更胜一筹——结果就是即时AI，”SambaNovaSystems联合创始人、斯坦福大学知名计算机科学家KunleOlukotun表示。
值得一提的是，在基于SN40L芯片的系统之上，SambaNova还构建了自己的软件堆栈，其中包括今年2月28日首次发布的拥有1万亿参数的Samba-1模型，也称为Samba-CoE（专家组合），其使得企业能够组合使用多个模型，也可以单独使用，并根据公司数据对模型进行微调和训练。
在芯智讯看来，SN40L相比目前的一些AI芯片来说，拥有着显著的优势，比如其可重构的数据流架构，可以调整硬件来满足各类工作负载要求，使得其可以很好的处理图像、视频及文本等不同的数据类型，适合多模态AI应用。但是，相对于英伟达的GPU可以灵活的处理各种模型来说，SN40L在灵活性上还是要略逊一筹，因为相关模型必须要经过专门的调整才能在其上面运行。而且，英伟达强大的CDUA生态对于其来说也是一大挑战。
不过，在AI模型参数越来越大，所需的芯片数量和资金成本越来越高的背景之下，SN40L在性能和成本上的优势，以及可以轻松实现对于万亿参数大模型的支持，因此也有着与英伟达直接竞争的机会。或许正因为如此，SambaNova也获得了资本的青睐，目前已经累计获得了超过10亿美元的融资。
编辑：芯智讯-浪客剑