服務器減少約50%還能提升效率？傲騰助PayPal擊碎內(nèi)存墻！

　　不得不說，Colossal-AI訓練系統(tǒng)這個開源項目的漲星速度是真快。

　　在“沒十幾塊顯卡玩不起大模型”的當下，它硬是只用一張消費級顯卡，成功單挑了180億參數(shù)的大模型。

　　難怪每逢新版本發(fā)布前后，都會連續(xù)好幾天霸榜GitHub熱門第一。

　　△使用github-star-history制圖

　　之前我們也介紹過，Colossal-AI的一個重點就是打破了內(nèi)存墻限制，如訓練GPT-2與英偉達自己的Megatron-LM，相比GPU顯存最高能節(jié)省91.2%。

　　隨著AI模型參數(shù)量的不斷增長，內(nèi)存不夠的問題逐漸凸顯，一句CUDA out of memory讓不少從業(yè)者頭疼。

　　甚至伯克利AI實驗室學者Amir Gholami一年前曾發(fā)出預言，未來內(nèi)存墻將是比算力更大的瓶頸：

　　內(nèi)存容量上，GPU單卡顯存容量每兩年才翻倍，需要支撐的模型參數(shù)卻接近指數(shù)級增長。

　　傳輸帶寬上，過去20年才增長30倍，更是遠遠比不上算力20年增長9萬倍的速度。

　　因此，從芯片內(nèi)部到芯片之間，甚至是AI加速器之間的數(shù)據(jù)通信，都阻礙著AI進一步發(fā)展和落地。

　　為了搞定這個問題，全行業(yè)都在從不同角度想辦法。

　　為了打破內(nèi)存墻，業(yè)界做出哪些努力？

　　首先，從模型算法本身入手減少內(nèi)存使用量。

　　比如斯坦福&紐約州立大學布法羅分校團隊提出的FlashAttention，給注意力算法加上IO感知能力，速度比PyTorch標準Attention快了2-4倍，所需內(nèi)存也僅是其5%-20%。

　　△arxiv.org/abs/2205.14135

　　又比如，東京大學&商湯&悉尼大學團隊提出將分層ViT與掩碼圖像建模整合在一起的新方法。內(nèi)存使用量比之前方法減少了70%。

　　△arxiv.org/abs/2205.13515

　　同類研究其實層出不窮，就先列舉最近發(fā)表的這兩個成果。

　　這些單獨的方法雖然有效但應用面較窄，需要根據(jù)不同算法和任務做針對性的設計，不太能泛化。

　　接下來，被寄予厚望能解決內(nèi)存墻問題的還有存算一體芯片。

　　這種新型芯片架構(gòu)在存儲單元中嵌入計算能力，以此消除數(shù)據(jù)搬運的時延和功耗，來突破馮諾依曼瓶頸。

　　存算一體芯片以憶阻器技術(shù)為代表，這種電路元件阻值會隨著通過的電流改變，如果電流停止，電阻會停留在當前值，相當于“記住”了電流量。

　　如果把高阻值定義為1，低阻值定義為0，憶阻器就可以同時實現(xiàn)二進制的計算和存儲。

　　△來自doi：10.1038/s41586-021-03748-0

　　不過存算一體芯片行業(yè)還在起步階段，需要材料學的進步來推動。一方面，能做到量產(chǎn)的就不多，另一方面也缺少對應的編譯器等軟件基礎(chǔ)設施支持，所以離真正大規(guī)模應用還有一段距離。

　　當下，基于現(xiàn)有軟硬件框架做優(yōu)化就成了比較務實的選項。

　　如前面提到的Colossal-AI，用多維并行的方式減少多GPU并行時相互之間的通信次數(shù)，又通過向CPU“借內(nèi)存”的方法讓GPU單卡也能訓練大模型。

　　具體來說，是根據(jù)動態(tài)查詢到的內(nèi)存使用情況，不斷動態(tài)轉(zhuǎn)換張量狀態(tài)、調(diào)整張量位置，高效利用GPU+CPU異構(gòu)內(nèi)存。

　　這樣一來，當AI訓練出現(xiàn)算力足夠但內(nèi)存不夠的情況時，只需加錢添購DRAM內(nèi)存即可，這聽起來可比買GPU劃算多了。

　　然而，這里又面臨一個新的問題。

　　GPU平臺直接“借內(nèi)存”，并不是一種很高效的選擇(不然大伙兒都去堆內(nèi)存條了)——

　　與CPU相比，GPU平臺的內(nèi)存可擴展性其實沒那么高、也不具備L1-L3高速緩存。數(shù)據(jù)在CPU與GPU之間交換走的PCIe接口效率也要低一些。

　　對于那些對時延更敏感的AI應用場景來說，是否存在一種更合適的解決方案?

　　用CPU方案打破內(nèi)存墻，可行嗎？

　　要問行不行，還得先看有沒有。

　　從業(yè)界來看，確實已經(jīng)有不少公司開始基于CPU平臺搭建一些AI項目，其中一些如個性化推薦、基于AI的實時決策系統(tǒng)等，都屬于“對時延非常敏感”的決策型AI。

　　而決策型AI，正是深受內(nèi)存墻困擾的“受害者”之一——

　　不是因為模型參數(shù)量大，而是因為模型對數(shù)據(jù)庫的要求高。

　　與其他訓練完直接投入使用的AI不同，決策型AI必須每天從現(xiàn)實環(huán)境中獲取新鮮數(shù)據(jù)，將決策變得更“精準”，這需要大量的低時延數(shù)據(jù)交互。

　　因此，背后的數(shù)據(jù)庫也需要具備大規(guī)模并發(fā)讀寫、實時性強、可擴展等特性。

　　在這種情況下，如何充分利用內(nèi)存來加速數(shù)據(jù)讀寫，反而成為了比提升算力更加困擾AI的問題。

　　那么，這些企業(yè)究竟是如何在CPU平臺上解決內(nèi)存墻問題的呢？

　　以曾經(jīng)在全球引領(lǐng)了在線支付服務潮流，如今依然處于該領(lǐng)域C位的PayPal為例。

　　PayPal的業(yè)務如今已經(jīng)涵蓋了在線轉(zhuǎn)賬、計費和支付，并且客戶規(guī)模已經(jīng)達到了200多個市場的超3.25億消費者和商家，所以它也像傳統(tǒng)的銀行服務一樣，面臨嚴峻的欺詐挑戰(zhàn)。

　　PayPal的應對策略，就是打造了一個具備實時識別新出現(xiàn)欺詐模式能力的實時決策系統(tǒng)。

　　不過欺詐者也在不斷改變欺詐模式，或發(fā)掘新的方式來對抗該系統(tǒng)，因此，PayPal需要不斷提升新型欺詐檢測的準確性，并且需要盡可能地縮短欺詐檢測時間。

　　在這種類似貓鼠游戲，比誰反應更快、誰能更靈活應變的對抗中，起到關(guān)鍵作用的就是數(shù)據(jù)的快速處理及讀寫。

　　為了實時識別新出現(xiàn)的欺詐模式，PayPal需要更快地處理和分析更多數(shù)據(jù)，就需要將盡可能大體量的數(shù)據(jù)與實時處理做更好的對接。

　　然而，內(nèi)存墻的問題，在此時也悄然出現(xiàn)了。

　　PayPal發(fā)現(xiàn)，自己要應對的是平臺多年來收集的數(shù)百PB數(shù)據(jù)，隨著其反欺詐決策平臺數(shù)據(jù)量的逐年增長，主索引的規(guī)模也在不斷擴張，以至于幾乎要拖垮其數(shù)據(jù)庫，特別是承載這些數(shù)據(jù)的各節(jié)點的內(nèi)存容量一旦耗盡，反欺詐的效率就會大打折扣，實時性也就無從談起。

　　于是，PayPal開始考慮采用新的內(nèi)存和存儲技術(shù)，來突破內(nèi)存墻，換言之，提升其數(shù)據(jù)庫方案的整體存儲密度。

　　恰逢其會，PayPal于2015年開始主要采用來自Aerospike的數(shù)據(jù)庫技術(shù)，而后者正是最早支持英特爾®傲騰™ 持久內(nèi)存的數(shù)據(jù)庫廠商之一。其創(chuàng)新的混合內(nèi)存架構(gòu)(Hybrid Memory Architecture，HMA)經(jīng)過優(yōu)化，可以幫助PayPal將體量越來越大的主索引存入傲騰持久內(nèi)存而非DRAM中，內(nèi)存墻難題就此破局。

　　

　　最終的試驗結(jié)果，也驗證了傲騰持久內(nèi)存在打破內(nèi)存墻、提升整個數(shù)據(jù)庫容量和性能方面的價值：

　　在PayPal現(xiàn)有共計2,000臺Aerospike服務器中，有200臺已導入了這款持久內(nèi)存，結(jié)果每節(jié)點的存儲空間提升到了原來的約4倍，且保持了應用的極速反應和低時延。

　　隨內(nèi)存和存儲容量增大而來的，還有成本上的大幅節(jié)省，據(jù)PayPal和Aerospike進行的基準測試：

　　由于單個節(jié)點在數(shù)據(jù)存儲和讀寫上的能力得到了強化，所需服務器的數(shù)量可以因此減少50%，每集群的成本就可因此降低約30%[1]。

　　而且，傲騰持久內(nèi)存還有一個BUFF，也在PayPal這個反欺詐應用場景里發(fā)揮了令人意想不到的作用，這就是數(shù)據(jù)持久性，能帶來超快的數(shù)據(jù)和應用恢復速度。

　　相比將主索引存入DRAM，在計劃或非計劃的停機后還需要從存儲設備中掃描數(shù)據(jù)并重建索引不同，將主索引存入傲騰持久內(nèi)存并做持久化后，不論是意外宕機，還是計劃中的停機，其數(shù)據(jù)都不會因為斷電而消失，整個系統(tǒng)就可以用更快的速度恢復并重新聯(lián)機。

　　要問這個速度有多快?PayPal給出的答案是原先需要59分鐘來重建索引，現(xiàn)在只需4分鐘。

　　PayPal還給出了一些更具整體視角，并從業(yè)務和最終應用功效切入的數(shù)據(jù)來說明它的收益：

　　它以2015年初步估計的50TB欺詐數(shù)據(jù)量和過去的內(nèi)存系統(tǒng)為基準，發(fā)現(xiàn)基于傲騰持久內(nèi)存的新方案，可幫助它將服務級別協(xié)議(SLA)遵守率從98.5%提升到99.95%。

　　漏查的欺詐交易量，則降到原來的約1/30，整體服務器的占用空間可降至原來的約1/8(從1024減少到120臺服務器)，而其整體硬件成本可以降到原來的約1/3。

　　考慮到預測的年數(shù)據(jù)增長率約為32%，PayPal的反欺詐系統(tǒng)完全可在新方案上實現(xiàn)經(jīng)濟高效的擴展，并讓它繼續(xù)保持99.95%的欺詐計算SLA遵守率、更短的數(shù)據(jù)恢復時間、更強的數(shù)據(jù)處理、查詢性能和數(shù)據(jù)一致性以及高達99.99%的可用性。

　　所以，像這種對數(shù)據(jù)庫性能要求更高的推薦、在線評估類AI應用，利用CPU平臺，特別是利用有AI加速能力的CPU+傲騰持久內(nèi)存來打破內(nèi)存墻，加速整體性能表現(xiàn)并降低成本確實是可行，而且也是能夠負擔得起的。

　　如前文提及的，除了PayPal這樣的全球型客戶外，國內(nèi)也有不少渴望打破內(nèi)存墻的互聯(lián)網(wǎng)企業(yè)、AI創(chuàng)業(yè)企業(yè)在他們類似的應用場景中嘗試了傲騰持久內(nèi)存，結(jié)果也是收獲了內(nèi)存子系統(tǒng)容量大幅擴展+數(shù)據(jù)和應用恢復用時顯著縮短+硬件成本或TCO大降的多重功效。

　　而且，能用上這套方案的還不止是這些場景。

　　即使在AI for Science上，目前也有一些科研項目正嘗試充分利用這套方案，來解決內(nèi)存墻的問題。

　　由DeepMind在2021年發(fā)布的AlphaFold2就算是一例。

　　得益于加速蛋白質(zhì)三維結(jié)構(gòu)探究的定位，以及預測的高可信度，AlphaFold2正在生命科學領(lǐng)域掀起顛覆式的變革，而它的成功秘訣，就在于利用深度學習方法進行蛋白質(zhì)結(jié)構(gòu)預測，這使它在效率、成本等方面遠勝傳統(tǒng)實驗方法(包括X-ray衍射、冷凍電鏡、NMR等)。

　　因此，幾乎所有生物學界的從業(yè)者都在著手這一技術(shù)的落地、管線搭建以及性能調(diào)優(yōu)。英特爾也是其中一員。它結(jié)合自身架構(gòu)的軟硬件優(yōu)勢，對AlphaFold2算法進行了在CPU平臺上的端到端高通量優(yōu)化，并實現(xiàn)了比專用AI加速芯片還要出色的性能。

　　取得這一成績，既得益于第三代英特爾®至強®可擴展處理器內(nèi)置的高位寬優(yōu)勢(AVX-512等)，也離不開傲騰持久內(nèi)存對“內(nèi)存墻”的突破。

　　一方面，在模型推理階段，英特爾專家通過對注意力模塊(attention unit)進行大張量切分(tensor slicing)，以及使用英特爾® oneAPI進行算子融合等優(yōu)化方法提升了算法的計算效率和CPU處理器利用率，加快了并行推理速度，并緩解了算法執(zhí)行中各個環(huán)節(jié)面臨的內(nèi)存瓶頸等問題。

　　另一方面，傲騰持久內(nèi)存的部署，也提供了TB級內(nèi)存容量的“戰(zhàn)略級”支持，能更輕松地解決多實例并行執(zhí)行時內(nèi)存峰值疊加的內(nèi)存瓶頸。

　　這個瓶頸有多大?據(jù)英特爾技術(shù)專家介紹：在輸入長度為765aa的條件下，64個實例并行執(zhí)行時，內(nèi)存容量的需求就會突破2TB。在這種情形下，對用戶而言，使用傲騰持久內(nèi)存也是他們目前真正可行的方案。

　　下一步：異構(gòu)芯片，統(tǒng)一內(nèi)存

　　當然，從整個行業(yè)的發(fā)展態(tài)勢來看，CPU搭配大容量持久內(nèi)存的方案，也并非就能一勞永逸地解決“內(nèi)存墻”的問題。

　　它同樣也只是眾多解決方案中的一種。

　　那么，是否還有其他針對內(nèi)存墻的方案，既不像存算一體芯片那般遙遠，但又比CPU+持久內(nèi)存的用途更全面、更多樣呢?

　　答案或許就是異構(gòu)芯片+統(tǒng)一內(nèi)存的路子了。

　　這里的異構(gòu)芯片，指的可不僅僅是CPU和GPU，還包括有FPGA和ASIC等同樣能為AI計算提供加速的芯片類型。隨著芯粒(Chiplet)技術(shù)的發(fā)展，異構(gòu)計算或許能為打破內(nèi)存墻提供新的可能性。

　　目前，芯粒互聯(lián)互通的開放標準UCIe(Universal Chiplet Interconnect Express)已獲得大量芯片行業(yè)玩家認可，有望成為主流標準。

　　這個標準的牽頭者英特爾自己就在積極布局XPU戰(zhàn)略，把標量(CPU)、矢量(GPU)、矩陣(ASIC)和空間(FPGA)等不同類型和架構(gòu)芯片的多樣化算力組合在一起。

　　最近能看到的一項成果便是美國阿貢國家實驗室的下一代超算系統(tǒng)——極光(Aurora)。

　　極光超算的CPU將采用代號為Sapphire Rapids的第四代英特爾®至強®可擴展處理器，并搭配代號為Ponte Vecchio的英特爾®數(shù)據(jù)中心GPU，雙精度峰值計算性能超過每秒兩百億億次，能支持更準確的氣候預測以及發(fā)現(xiàn)應對癌癥的新療法等研發(fā)創(chuàng)新活動。

　　這還是目前可見的進展。在UCIe的支持下，未來還有可能出現(xiàn)不同架構(gòu)、甚至不同工藝制程的IP封裝成為一塊SoC芯片的全新物種。

　　伴隨異構(gòu)芯片的協(xié)作甚至是異構(gòu)芯粒的整合，不同芯片和芯粒所搭配的內(nèi)存也很可能出現(xiàn)統(tǒng)一或池化的趨勢。

　　其中一個可能的實現(xiàn)途徑，就是通過光學I/O來連接不同芯片、芯粒、內(nèi)存等組件，即用光信號代替電信號做芯片間的通信，可以做到更高帶寬、更低時延和更低功率。

　　例如，光學I/O方面的創(chuàng)新企業(yè)Ayar Labs，目前已經(jīng)被各大芯片巨頭和高性能計算供應商所看好。

　　在最新一輪1.3億美元的融資中，它的投資方就包括了英特爾、英偉達、格芯和HPE。

　　或許，距離內(nèi)存“大一統(tǒng)”的時代真的不遠了。

　　在這種情況下，持久內(nèi)存本身也正在迎來更多的機會。

　　例如，傲騰持久內(nèi)存目前已實現(xiàn)單條512GB的容量，單條1TB容量的型號也正在籌備中。

　　如果要真正高效地擴展異構(gòu)系統(tǒng)的統(tǒng)一內(nèi)存池，它所具備的多重優(yōu)勢是不可忽略的。