英特爾AI軟硬件協(xié)同發(fā)力，為L(zhǎng)lama 2大模型提供加速

　　英特爾廣泛的AI硬件組合及開放的軟件環(huán)境，為Meta發(fā)布的Llama 2模型提供了極具競(jìng)爭(zhēng)力的選擇，進(jìn)一步助力大語言模型的普及，推動(dòng)AI發(fā)展惠及各行各業(yè)。

　　大語言模型(LLM)在生成文本、總結(jié)和翻譯內(nèi)容、回答問題、參與對(duì)話以及執(zhí)行復(fù)雜任務(wù)(如解決數(shù)學(xué)問題或推理)方面表現(xiàn)出的卓越能力，使其成為最有希望規(guī)模化造福社會(huì)的AI技術(shù)之一。大語言模型有望解鎖更豐富的創(chuàng)意和洞察，并激發(fā)AI社區(qū)推進(jìn)技術(shù)發(fā)展的熱情。

　　Llama 2旨在幫助開發(fā)者、研究人員和組織構(gòu)建基于生成式AI的工具和體驗(yàn)。Meta發(fā)布了多個(gè)Llama 2的預(yù)訓(xùn)練和微調(diào)版本，擁有70億、130億和700億三種參數(shù)。通過Llama 2，Meta在公司的各個(gè)微調(diào)模型中采用了三項(xiàng)以安全為導(dǎo)向的核心技術(shù)：安全的有監(jiān)督微調(diào)、安全的目標(biāo)文本提取以及安全的人類反饋強(qiáng)化學(xué)習(xí)(RLHF)。這些技術(shù)相結(jié)合，使Meta得以提高安全性能。隨著越來越廣泛的使用，人們將能夠以透明、公開的方式不斷識(shí)別并降低生成有害內(nèi)容的風(fēng)險(xiǎn)。

　　英特爾致力于通過提供廣泛的硬件選擇和開放的軟件環(huán)境，推動(dòng)AI的發(fā)展與普及。英特爾提供了一系列AI解決方案，為AI社區(qū)開發(fā)和運(yùn)行Llama 2等模型提供了極具競(jìng)爭(zhēng)力和極具吸引力的選擇。英特爾豐富的AI硬件產(chǎn)品組合與優(yōu)化開放的軟件相結(jié)合，為應(yīng)對(duì)算力挑戰(zhàn)提供了可行的方案。

　　英特爾提供了滿足模型的開發(fā)和部署的AI優(yōu)化軟件。開放生態(tài)系統(tǒng)是英特爾得天獨(dú)厚的戰(zhàn)略優(yōu)勢(shì)，在AI領(lǐng)域亦是如此。我們致力于培育一個(gè)充滿活力的開放生態(tài)系統(tǒng)來推動(dòng)AI創(chuàng)新，其安全、可追溯、負(fù)責(zé)任以及遵循道德，這對(duì)整個(gè)行業(yè)至關(guān)重要。此次發(fā)布的大模型進(jìn)一步彰顯了我們的核心價(jià)值觀——開放，為開發(fā)人員提供了一個(gè)值得信賴的選擇。Llama 2模型的發(fā)布是我們行業(yè)向開放式AI發(fā)展轉(zhuǎn)型邁出的重要一步，即以公開透明的方式推動(dòng)創(chuàng)新并助力其蓬勃發(fā)展。

　　-- 李煒

　　英特爾軟件與先進(jìn)技術(shù)副總裁

　　兼人工智能和分析部門總經(jīng)理

　　-- Melissa Evers

　　英特爾軟件與先進(jìn)技術(shù)副總裁

　　兼執(zhí)行戰(zhàn)略部總經(jīng)理

　　在Llama 2發(fā)布之際，我們很高興地分享70億和130億參數(shù)模型的初始推理性能測(cè)試結(jié)果。這些模型在英特爾AI產(chǎn)品組合上運(yùn)行，包括Habana®Gaudi®2 深度學(xué)習(xí)加速器、第四代英特爾®至強(qiáng)®可擴(kuò)展處理器、英特爾®至強(qiáng)®CPU Max系列和英特爾®數(shù)據(jù)中心GPU Max系列。我們?cè)诒疚闹蟹窒淼男阅苤笜?biāo)是我們當(dāng)前軟件提供的“開箱即用”的性能，并有望在未來的軟件中進(jìn)一步提升。我們還支持700億參數(shù)模型，并將很快分享最新相關(guān)信息。

　　Habana®Gaudi®2 深度學(xué)習(xí)加速器

　　Habana Gaudi2旨在為用戶提供高性能、高能效的訓(xùn)練與推理，尤其適用于諸如Llama和Llama 2的大語言模型。Gaudi2加速器具備96GB HBM2E的內(nèi)存容量，可滿足大語言模型的內(nèi)存需求并提高推理性能。Gaudi2配備Habana®SynapseAI®軟件套件，該套件集成了對(duì)PyTorch和DeepSpeed的支持，以用于大語言模型的訓(xùn)練和推理。此外，SynapseAI近期開始支持HPU Graphs和DeepSpeed推理，專門針對(duì)時(shí)延敏感度高的推理應(yīng)用。Gaudi2還將進(jìn)行進(jìn)一步的軟件優(yōu)化，包括計(jì)劃在2023年第三季度支持FP8數(shù)據(jù)類型。此優(yōu)化預(yù)計(jì)將在執(zhí)行大語言模型時(shí)大幅提高性能、吞吐量，并有效降低延遲。

　　大語言模型的性能需要靈活敏捷的可擴(kuò)展性，來突破服務(wù)器內(nèi)以及跨節(jié)點(diǎn)間的網(wǎng)絡(luò)瓶頸。每張Gaudi2芯片集成了21個(gè)100Gbps以太網(wǎng)接口，21個(gè)接口專用于連接服務(wù)器內(nèi)的8顆Gaudi2，該網(wǎng)絡(luò)配置有助于提升服務(wù)器內(nèi)外的擴(kuò)展性能。

　　在近期發(fā)布的MLPerf基準(zhǔn)測(cè)試中，Gaudi2在大語言模型上展現(xiàn)了出色的訓(xùn)練性能，包括在384個(gè)Gaudi2加速器上訓(xùn)練1750億參數(shù)的GPT-3模型所展現(xiàn)的結(jié)果。Gaudi2經(jīng)過驗(yàn)證的高性能使其成為L(zhǎng)lama和Llama 2模型訓(xùn)練和推理的高能效解決方案。

　　圖1顯示了70億參數(shù)和130億參數(shù)Llama 2模型的推理性能。模型分別在一臺(tái)Habana Gaudi2設(shè)備上運(yùn)行，batch size=1，輸出token長(zhǎng)度256，輸入token長(zhǎng)度不定，使用BF16精度。報(bào)告的性能指標(biāo)為每個(gè)token的延遲(不含第一個(gè))。該測(cè)試使用optimum-habana文本生成腳本在Llama模型上運(yùn)行推理。optimum-habana庫能夠幫助簡(jiǎn)化在Gaudi加速器上部署此類模型的流程，僅需極少的代碼更改即可實(shí)現(xiàn)。如圖1所示，對(duì)于128至2000輸入token，在70億參數(shù)模型上Gaudi2的推理延遲范圍為每token 9.0-12.2毫秒，而對(duì)于130億參數(shù)模型，范圍為每token 15.5-20.4毫秒1。

　　圖1 基于Habana Gaudi2，70億和130億參數(shù)Llama 2模型的推理性能

　　若想訪問Gaudi2，可按照此處(https://developer.habana.ai/intel-developer-cloud/)在英特爾開發(fā)者云平臺(tái)上注冊(cè)一個(gè)實(shí)例，或聯(lián)系超微(Supermicro)了解Gaudi2服務(wù)器基礎(chǔ)設(shè)施。

　　英特爾®至強(qiáng)®可擴(kuò)展處理器

　　第四代英特爾至強(qiáng)可擴(kuò)展處理器是一款通用計(jì)算處理器，具有英特爾®高級(jí)矩陣擴(kuò)展(英特爾®AMX)的AI加速功能。具體而言，該處理器的每個(gè)核心內(nèi)置了BF16和INT8通用矩陣乘(GEMM)加速器，以加速深度學(xué)習(xí)訓(xùn)練和推理工作負(fù)載。此外，英特爾®至強(qiáng)®CPU Max系列，每顆CPU提供64GB的高帶寬內(nèi)存(HBM2E)，兩顆共128GB，由于大語言模型的工作負(fù)載通常受到內(nèi)存帶寬的限制，因此，該性能對(duì)于大模型來說極為重要。

　　目前，針對(duì)英特爾至強(qiáng)處理器的軟件優(yōu)化已升級(jí)到深度學(xué)習(xí)框架中，并可用于PyTorch*、TensorFlow*、DeepSpeed*和其它AI庫的默認(rèn)發(fā)行版。英特爾主導(dǎo)了torch.compile CPU后端的開發(fā)和優(yōu)化，這是PyTorch 2.0的旗艦功能。與此同時(shí)，英特爾還提供英特爾®PyTorch擴(kuò)展包*(Intel®Extension for PyTorch*)，旨在PyTorch官方發(fā)行版之前，盡早、及時(shí)地為客戶提供英特爾CPU的優(yōu)化。

　　第四代英特爾至強(qiáng)可擴(kuò)展處理器擁有更高的內(nèi)存容量，支持在單個(gè)插槽內(nèi)實(shí)現(xiàn)適用于對(duì)話式AI和文本摘要應(yīng)用的、低延遲的大語言模型執(zhí)行。對(duì)于BF16和INT8，該結(jié)果展示了單個(gè)插槽內(nèi)執(zhí)行1個(gè)模型時(shí)的延遲。英特爾®PyTorch擴(kuò)展包*支持SmoothQuant，以確保INT8精度模型具有良好的準(zhǔn)確度。

　　考慮到大語言模型應(yīng)用需要以足夠快的速度生成token，以滿足讀者較快的閱讀速度，我們選擇token延遲，即生成每個(gè)token所需的時(shí)間作為主要的性能指標(biāo)，并以快速人類讀者的閱讀速度(約為每個(gè)token 100毫秒)作為參考。如圖2、3所示，對(duì)于70億參數(shù)的Llama2 BF16模型和130億參數(shù)的Llama 2 INT8模型，第四代英特爾至強(qiáng)單插槽的延遲均低于100毫秒2。

　　得益于更高的HBM2E帶寬，英特爾至強(qiáng)CPU Max系列為以上兩個(gè)模型提供了更低的延遲。而憑借英特爾AMX加速器，用戶可以通過更高的批量尺寸(batch size)來提高吞吐量。

　　圖2 基于英特爾至強(qiáng)可擴(kuò)展處理器，70億參數(shù)和130億參數(shù)Llama 2模型(BFloat16)的推理性能

　　圖3 基于英特爾至強(qiáng)可擴(kuò)展處理器，70億參數(shù)和130億參數(shù)Llama 2模型(INT8)的推理性能

　　對(duì)于70億和130億參數(shù)的模型，每個(gè)第四代至強(qiáng)插槽可提供低于100毫秒的延遲。用戶可以分別在兩個(gè)插槽上同時(shí)運(yùn)行兩個(gè)并行實(shí)例，從而獲得更高的吞吐量，并獨(dú)立地服務(wù)客戶端。亦或者，用戶可以通過英特爾®PyTorch擴(kuò)展包*和DeepSpeed* CPU，使用張量并行的方式在兩個(gè)第四代至強(qiáng)插槽上運(yùn)行推理，從而進(jìn)一步降低延遲或支持更大的模型。

　　關(guān)于在至強(qiáng)平臺(tái)上運(yùn)行大語言模型和Llama 2，開發(fā)者可以點(diǎn)擊此處(https://intel.github.io/intel-extension-for-pytorch/llm/cpu/)了解更多詳細(xì)信息。第四代英特爾至強(qiáng)可擴(kuò)展處理器的云實(shí)例可在AWS和Microsoft Azure上預(yù)覽，目前已在谷歌云平臺(tái)和阿里云全面上線。英特爾將持續(xù)在PyTorch*和DeepSpeed*進(jìn)行軟件優(yōu)化，以進(jìn)一步加速Llama 2和其它大語言模型。

　　英特爾®數(shù)據(jù)中心GPU Max系列

　　英特爾數(shù)據(jù)中心GPU Max系列提供并行計(jì)算、科學(xué)計(jì)算和適用于科學(xué)計(jì)算的AI加速。作為英特爾性能最為出色、密度最高的獨(dú)立顯卡，英特爾數(shù)據(jù)中心GPU Max系列產(chǎn)品中封裝超過1000億個(gè)晶體管，并包含多達(dá)128個(gè)Xe內(nèi)核，Xe是英特爾GPU的計(jì)算構(gòu)建模塊。

　　英特爾數(shù)據(jù)中心GPU Max系列旨在為AI和科學(xué)計(jì)算中使用的數(shù)據(jù)密集型計(jì)算模型提供突破性的性能，包括：

　　●408 MB基于獨(dú)立SRAM技術(shù)的L2緩存、64MB L1緩存以及高達(dá)128GB的高帶寬內(nèi)存(HBM2E)。

　　●AI增強(qiáng)型的Xe英特爾®矩陣擴(kuò)展(英特爾®XMX)搭載脈動(dòng)陣列，在單臺(tái)設(shè)備中可實(shí)現(xiàn)矢量和矩陣功能。

　　英特爾Max系列產(chǎn)品統(tǒng)一支持oneAPI，并基于此實(shí)現(xiàn)通用、開放、基于標(biāo)準(zhǔn)的編程模型，釋放生產(chǎn)力和性能。英特爾oneAPI工具包括高級(jí)編譯器、庫、分析工具和代碼遷移工具，可使用SYCL輕松將CUDA代碼遷移到開放的C++。

　　英特爾數(shù)據(jù)中心Max系列GPU通過當(dāng)今框架的開源擴(kuò)展來實(shí)現(xiàn)軟件支持和優(yōu)化，例如面向PyTorch*的英特爾擴(kuò)展、面向TensorFlow*的英特爾®擴(kuò)展和面向DeepSpeed*的英特爾®擴(kuò)展。通過將這些擴(kuò)展與上游框架版本一起使用，用戶將能夠在機(jī)器學(xué)習(xí)工作流中實(shí)現(xiàn)快速整合。

　　我們?cè)谝粋�(gè)600瓦OAM形態(tài)的GPU上評(píng)估了Llama 2的70億參數(shù)模型和Llama 2的130億參數(shù)模型推理性能，這個(gè)GPU上封裝了兩個(gè)tile，而我們只使用其中一個(gè)tile來運(yùn)行推理。圖4顯示，對(duì)于輸入長(zhǎng)度為32到2000的token，英特爾數(shù)據(jù)中心GPU Max系列的一個(gè)tile可以為70億參數(shù)模型的推理提供低于20毫秒的單token延遲，130億參數(shù)模型的單token延遲為29.2-33.8毫秒3。因?yàn)樵揋PU上封裝了兩個(gè)tile，用戶可以同時(shí)并行運(yùn)行兩個(gè)獨(dú)立的實(shí)例，每個(gè)tile上運(yùn)行一個(gè)，以獲得更高的吞吐量并獨(dú)立地服務(wù)客戶端。

　　圖4 英特爾數(shù)據(jù)中心GPU Max 1550上的Llama 2的70億和130億參數(shù)模型的推理性能

　　關(guān)于在英特爾GPU平臺(tái)上運(yùn)行大語言模型和Llama 2，可以點(diǎn)擊此處(https://intel.github.io/intel-extension-for-pytorch/llm/xpu/)獲取詳細(xì)信息。目前英特爾開發(fā)者云平臺(tái)上已發(fā)布英特爾GPU Max云實(shí)例測(cè)試版。

　　英特爾平臺(tái)上的大語言模型微調(diào)

　　除了推理之外，英特爾一直在積極地推進(jìn)微調(diào)加速，通過向Hugging Face Transformers、PEFT、Accelerate和Optimum庫提供優(yōu)化，并在面向Transformers的英特爾®擴(kuò)展中提供參考工作流。這些工作流支持在相關(guān)英特爾平臺(tái)上高效地部署典型的大語言模型任務(wù)，如文本生成、代碼生成、完成和摘要。

　　總結(jié)

　　上述內(nèi)容介紹了在英特爾AI硬件產(chǎn)品組合上運(yùn)行Llama 2的70億和130億參數(shù)模型推理性能的初始評(píng)估，包括Habana Gaudi2深度學(xué)習(xí)加速器、第四代英特爾至強(qiáng)可擴(kuò)展處理器、英特爾®至強(qiáng)®CPU Max系列和英特爾數(shù)據(jù)中心GPU Max系列。我們將繼續(xù)通過軟件發(fā)布提供優(yōu)化，后續(xù)會(huì)再分享更多關(guān)于大語言模型和更大的Llama 2模型的評(píng)估。