特斯拉Dojo超算架構(gòu)細節(jié)首次公開！為自動駕駛「操碎了芯」
為了滿足對人工智能和機器學習模型越來越大的需求， 特斯拉創(chuàng)建了自己的人工智能技術(shù)，來教特斯拉的汽車自動駕駛。
最近，特斯拉在Hot Chips 34會議上，披露了大量關(guān)于Dojo（道場）超級計算架構(gòu)的細節(jié)。
本質(zhì)上，Dojo是一個巨大的可組合的超級計算機，它由一個完全定制的架構(gòu)構(gòu)建，涵蓋了計算、網(wǎng)絡(luò)、輸入/輸出（I/O）芯片到指令集架構(gòu)（ISA）、電源傳輸、包裝和冷卻。所有這些都是為了大規(guī)模地運行定制的、特定的機器學習訓練算法。
Ganesh Venkataramanan是Tesla自動駕駛硬件高級總監(jiān)，負責Dojo項目，以及AMD的CPU設(shè)計團隊。Hot Chips 34會議上，他和眾位芯片、系統(tǒng)和軟件工程師首次公開了該機器的許多架構(gòu)特性。
數(shù)據(jù)中心「三明治」
「 一般來說，我們制造芯片的過程，是把它們放在包裝上，把包裝放在印刷電路板上，然后進入系統(tǒng)。系統(tǒng)進入機架。」Venkataramanan說。
但是這個過程中存在一個問題：每次數(shù)據(jù)從芯片移動到封裝上并離開封裝時，都會產(chǎn)生延遲和帶寬損失。
為了繞過這些限制，Venkataramanan和他的團隊決定從頭開始。
由此，Dojo的訓練瓦片誕生了。
這是一個獨立的計算集群，占地半立方英尺，在15千瓦的液冷封裝中能夠達到556TFLOPS的FP32性能。
每個瓦片都配備了11GB的SRAM，并在整個堆棧中使用定制的傳輸協(xié)議，通過9TB/s結(jié)構(gòu)連接。
Venkataramanan說：「這塊訓練板代表了從計算機到存儲器、到電源傳輸、到通信的無與倫比的集成度，不需要任何額外的開關(guān)?！?/span>
訓練瓦片的核心是特斯拉的D1，這是一個500億個晶體管芯片，基于臺積電的7納米工藝。特斯拉表示，每個D1能夠在400W的TDP下實現(xiàn)22TFLOPS的FP32性能。
特斯拉然后用25個D1，把它們分到已知的好模具上，然后用臺積電的晶圓上系統(tǒng)技術(shù)把它們包裝起來，以極低的延遲和極高的帶寬實現(xiàn)大量的計算集成。
然而，晶片上的系統(tǒng)設(shè)計和垂直堆疊架構(gòu)，給電力輸送帶來了挑戰(zhàn)。
據(jù)Venkataramanan說，目前大多數(shù)加速器將電源直接放在硅片旁邊。他解釋說，這種方法雖然行之有效，但這就意味著加速器的很大一部分區(qū)域必須專門用于這些組件，這對Dojo來說是不切實際的。于是，特斯拉選擇直接通過芯片底部直接提供電源。
此外，特斯拉還開發(fā)了Dojo接口處理器（DIP），它是主機CPU和訓練處理器之間的橋梁。
每個DIP都有32GB的HBM，最多可以將五個這樣的卡以900GB/s的速度連接到一個訓練瓦片上，以達到4.5TB/s的總量，每個瓦片共有160GB的HBM。
特斯拉的V1配置成對的這些瓦片——或150個D1模具——在陣列中支持四個主機CPU，每個主機CPU配備五個DIP卡，以實現(xiàn)聲稱的BF16或CFP8性能的exaflop。
軟件
這樣一個專門的計算架構(gòu)，就需要一個專門的軟件棧。然而，Venkataramanan和他的團隊認識到，可編程性將決定Dojo的成敗。
「當我們設(shè)計這些系統(tǒng)時，軟件同行的易編程性是最重要的。研究人員不會等待你的軟件人員為適應(yīng)我們想要運行的新算法而寫一個手寫的內(nèi)核。」
為了做到這一點，特斯拉放棄了使用內(nèi)核的想法，圍繞編譯器設(shè)計了Dojo的架構(gòu)。
「我們的做法是使用PiTorch。我們創(chuàng)建了一個中間層，它幫助我們并行化，以擴展其下面的硬件。所有東西下面都是編譯過的代碼?！篂榱藙?chuàng)建可適應(yīng)任何未來工作負載的軟件堆棧，這是唯一的方法。
盡管強調(diào)了軟件的靈活性，Venkataramanan指出，目前在他們的實驗室中運行的平臺，暫時僅限于特斯拉使用。
Dojo架構(gòu)一覽
看完了以上這些，讓我們深入了解一下Dojo的架構(gòu)。
特斯拉擁有用于機器學習的百億億次人工智能級系統(tǒng)。特斯拉有足夠的資金規(guī)模來雇傭員工，并專門為其應(yīng)用構(gòu)建芯片和系統(tǒng)，就像特斯拉的車載系統(tǒng)一樣。
特斯拉不僅在構(gòu)建自己的AI芯片，還在構(gòu)建超級計算機。
分布式系統(tǒng)分析
Dojo的每個節(jié)點都有自己的CPU、內(nèi)存和通信接口。
Dojo節(jié)點
這是Dojo處理器的處理管線。
處理管道
每個節(jié)點有1.25MB的SRAM。在AI訓練和推理芯片中，一種常見的技術(shù)是將內(nèi)存與計算共置，以最大限度地減少數(shù)據(jù)傳輸，因為從功率和性能的角度來看，數(shù)據(jù)傳輸非常昂貴。
節(jié)點內(nèi)存
然后每個節(jié)點都連接到一個2D網(wǎng)格。
網(wǎng)絡(luò)接口
這是數(shù)據(jù)路徑概述。
數(shù)據(jù)路徑
下面是一個例子，說明芯片可以做的列表解析。
列表解析
這里有更多關(guān)于指令集的內(nèi)容，屬于特斯拉原創(chuàng)，而不是典型的Intel、Arm、NVIDIA或AMD CPU/GPU的指令集。
指令集
在人工智能中，算術(shù)格式很重要，尤其是芯片支持哪些格式。利用DOJO，特斯拉就可以研究常用格式，例如FP32、FP16和BFP16。這些是常見的行業(yè)格式。
算術(shù)格式
特斯拉也在研究可配置的FP8或CFP8。它有4/3和5/2的范圍選項。這類似于 NVIDIA H100 Hopper配置的FP8。我們還看到Untether.AI Boqueria 1458 RISC-V核心AI加速器專注于不同的FP8類型。
算術(shù)格式 2
Dojo還具有不同的CFP16格式，以實現(xiàn)更高的精度，并支持FP32、BFP16、CFP8和CFP16。
算術(shù)格式 3
然后將這些核心集成到制造的模具中。特斯拉的D1芯片由臺積電以7nm工藝制造。每個芯片有354個Dojo處理節(jié)點和440MB的SRAM。
First Integration Box D1 模具
這些D1芯片被封裝在一個道場訓練瓦片上。D1芯片經(jīng)過測試，然后被組裝成一個5×5的瓦片。這些瓦片每個邊緣有4.5TB/s的帶寬。它們還具有每個模塊15kW的功率傳輸包絡(luò)，或者可以說，每個D1芯片去掉40個I/O裸片所使用的功率后，大約還有600W。通過對比可以看出，如果一家公司不想設(shè)計這種東西，為什么像Lightmatter Passage會更有吸引力。
二次集成箱Dojo訓練瓦片
Dojo的接口處理器位于2D網(wǎng)格的邊緣。每個訓練塊有11GB的SRAM和160GB的共享DRAM。
Dojo系統(tǒng)拓撲
以下是連接處理節(jié)點的2D網(wǎng)格的帶寬數(shù)據(jù)。
Dojo系統(tǒng)通信邏輯二維網(wǎng)格
每個DIP和主機系統(tǒng)提供32GB/s的鏈接。
Dojo系統(tǒng)通信 PCIe鏈接DIP和主機
特斯拉還具有用于更長路線的Z平面鏈接。在接下來的演講中，特斯拉談到了系統(tǒng)級的創(chuàng)新。
通信機制
這里是die和tiles的延遲邊界，這就是為什么在Dojo中對它們進行不同處理的原因。需要Z平面鏈路的原因是，長路徑很昂貴。
Dojo系統(tǒng)通信機制
任何處理節(jié)點都可以跨系統(tǒng)訪問數(shù)據(jù)。每個節(jié)點都可以將數(shù)據(jù)推送或拉取到SRAM或DRAM。
Dojo系統(tǒng)批量通信
Dojo使用平面尋址方案進行通信。
系統(tǒng)網(wǎng)絡(luò)1
這些芯片可以在軟件中繞過錯誤的處理節(jié)點。
系統(tǒng)網(wǎng)絡(luò)2
這意味著軟件必須了解系統(tǒng)拓撲。
系統(tǒng)網(wǎng)絡(luò)3
Dojo不保證端到端的流量排序，因此需要在目的地對數(shù)據(jù)包進行計數(shù)。
系統(tǒng)網(wǎng)絡(luò)4
以下是數(shù)據(jù)包如何計入系統(tǒng)同步的一部分。
系統(tǒng)同步
編譯器需要定義一個帶有節(jié)點的樹
。
系統(tǒng)同步2
特斯拉表示，一個exa-pod擁有超過100萬個CPU（或計算節(jié)點）。這些都是大型系統(tǒng)。
總結(jié)
特斯拉專門為大規(guī)模工作而建造了Dojo。通常，初創(chuàng)公司都希望為每個系統(tǒng)構(gòu)建一個或幾個芯片的AI芯片。顯然，特斯拉專注于更大的規(guī)模。
在許多方面，特斯拉擁有一個巨大的人工智能訓練場是合理的。更令人興奮的是，它不僅使用商業(yè)上可用的系統(tǒng)，而且還在構(gòu)建自己的芯片和系統(tǒng)。標量方面的一些ISA是借用RISC-V的，但矢量方面和很多架構(gòu)特斯拉都是定制的，所以這需要大量的工作。
