上周，谷歌在論文預(yù)印本平臺arxiv上發(fā)表了其關(guān)于TPU v4的深入解讀論文《TPU v4: An Optically Reconfigurable Supercomputer for Machine Learning with Hardware Support for Embeddings》（TPU v4：通過光互聯(lián)可重配置的機(jī)器學(xué)習(xí)超級計(jì)算機(jī)，搭載硬件嵌入層加速）。

該論文將于今年六月在ISCA 2023（International Symposium on Computer Architecture，計(jì)算機(jī)架構(gòu)領(lǐng)域的頂級會議）上正式發(fā)表，而目前的預(yù)印本無疑為我們提供了可以一窺其全貌的機(jī)會。

為了TPU的可擴(kuò)展性設(shè)計(jì)專用光學(xué)芯片，谷歌也是拼了

從論文的標(biāo)題可以看到，谷歌TPU v4的一個(gè)主要亮點(diǎn)是通過光互連實(shí)現(xiàn)可重配置和高可擴(kuò)展性（也即標(biāo)題中的“optically reconfigurable”）。

而在論文的一開始，谷歌開門見山首先介紹的也并非傳統(tǒng)的MAC設(shè)計(jì)、片上內(nèi)存、HBM通道等AI芯片常見的參數(shù)，而是可配置的光學(xué)互聯(lián)開關(guān)（reconfigurable optical switch）。

作為論文的重中之重，這里我們也詳細(xì)分析一下為什么光學(xué)互聯(lián)在TPU v4設(shè)計(jì)中占了這么重要的位置，以至于谷歌甚至為了它自研了一款光學(xué)芯片。

TPU v4從一開始設(shè)計(jì)時(shí)，其目標(biāo)就是極高的可擴(kuò)展性，可以有數(shù)千個(gè)芯片同時(shí)加速，從而實(shí)現(xiàn)一個(gè)為了機(jī)器學(xué)習(xí)模型訓(xùn)練而設(shè)計(jì)的超級計(jì)算機(jī)。

在谷歌的設(shè)計(jì)中，超級計(jì)算機(jī)的拓?fù)浣Y(jié)構(gòu)為：將4x4x4（64）個(gè)TPU v4芯片互聯(lián)在一起形成一個(gè)立方體結(jié)構(gòu)（cube），然后再把4x4x4這樣的cube串聯(lián)在一起形成一個(gè)總共有4096個(gè)TPU v4的超級計(jì)算機(jī)。

TPU超級計(jì)算機(jī)（由4096個(gè)TPU v4組成）拓?fù)浣Y(jié)構(gòu)，圖/谷歌

在這樣的拓?fù)渲?，物理距離較近的TPU v4（即在同一個(gè)4x4x4 cube中的芯片）可以用常規(guī)的電互聯(lián)（例如銅絞線）方法連接，但是距離較遠(yuǎn)的TPU之間（例如在cube之間的互聯(lián)）就必須使用光互連，原因就在于在如此大規(guī)模的超級計(jì)算機(jī)中，芯片之間的數(shù)據(jù)互聯(lián)在很大程度上會決定整體計(jì)算的效率；

如果數(shù)據(jù)互聯(lián)效率不夠高的話，很多時(shí)候芯片都在等待來自其他芯片的數(shù)據(jù)到達(dá)以后開始計(jì)算，這樣就形成了效率浪費(fèi)。為了避免這樣“芯片等數(shù)據(jù)”的情形出現(xiàn)，就必須確保芯片之間互聯(lián)能擁有高帶寬，低延遲。而光互連對于物理距離較遠(yuǎn)的芯片就成為了首選。

光互連在高性能計(jì)算中的使用也并非新聞，而谷歌在TPU v4中的主要突破是使用可重配置的光互連（即加入光路開關(guān)，optical circuit switch OCS）來快速實(shí)現(xiàn)不同的芯片互聯(lián)拓?fù)洹?/p>

換句話說，芯片之間的互聯(lián)并非一成不變的，而是可以現(xiàn)場可重配置的。這樣做可以帶來許多好處，其中最主要的就是可以根據(jù)具體機(jī)器學(xué)習(xí)模型來改變拓?fù)洌约案纳瞥売?jì)算機(jī)的可靠性。

從拓?fù)浣Y(jié)構(gòu)來說，不同的機(jī)器學(xué)習(xí)模型對于數(shù)據(jù)流的要求大致可以分為三類，即數(shù)據(jù)并行（每塊芯片都加載整個(gè)模型，不同的芯片處理數(shù)據(jù)集中不同的數(shù)據(jù)），模型并行（模型中有些層特別大，因此每塊芯片只負(fù)責(zé)這樣很大的層中的一部分計(jì)算），以及流水線并行（把模型中的不同層交給不同的芯片計(jì)算），而不同的數(shù)據(jù)流就對應(yīng)了不同的TPU互聯(lián)拓?fù)洹?/p>

當(dāng)有了可重配置光互連之后，就可以根據(jù)具體模型數(shù)據(jù)流來調(diào)整TPU之間的互聯(lián)拓?fù)?，從而?shí)現(xiàn)最優(yōu)的性能，其提升可超過2倍。

使用可重配置光互連可以快速切換不同的芯片間互聯(lián)拓?fù)洌瑘D/谷歌

另一個(gè)優(yōu)勢就是可靠性。在這樣擁有海量芯片組成的超級計(jì)算機(jī)中，一個(gè)重要的考量就是，如果有一小部分的芯片不工作了，如何確保整體超級計(jì)算機(jī)仍然能維持較高的性能？如果使用常規(guī)的固定互聯(lián)架構(gòu)，那么一個(gè)芯片出故障可能會影響整個(gè)系統(tǒng)工作。

而在有了可重配置的光互連之后，需要做的只需要把出故障的芯片繞過，就不會影響整個(gè)系統(tǒng)的工作，最多會犧牲一點(diǎn)整體的性能。

谷歌在論文中給出了一個(gè)單芯片故障率和系統(tǒng)平均性能影響的曲線圖，在使用可配置光互連（以及光路開關(guān)）時(shí)，假設(shè)芯片可靠率在99%的情況下，其整體系統(tǒng)的平均性能提升比不使用OCS可高達(dá)6倍，可見光互連開關(guān)的重要性。

系統(tǒng)性能與芯片可靠性曲線圖——使用OCS可以大大提升系統(tǒng)性能，圖/谷歌

為了實(shí)現(xiàn)數(shù)據(jù)中心級的可配置光互連，需要光路開關(guān)首先能高效擴(kuò)展到超高數(shù)量的互聯(lián)數(shù)（例如1000x1000），同時(shí)需要實(shí)現(xiàn)低開關(guān)切換延遲，低成本，以及低信號損耗。

谷歌認(rèn)為現(xiàn)有的商用方案都不夠滿意，因此谷歌的做法是自研了一款光路開關(guān)芯片Palomar，并且使用該芯片實(shí)現(xiàn)了全球首個(gè)數(shù)據(jù)中心級的可配置光互連，而TPU v4就是搭配了這款自研光路開關(guān)芯片從架構(gòu)上實(shí)現(xiàn)了高性能。

谷歌自研的光路開關(guān)芯片Palomar使用的是基于MEMS反射鏡陣列的技術(shù)，具體原理是使用一個(gè)2D MEMS反射鏡陣列，通過控制反射鏡的位置來調(diào)整光路，從而實(shí)現(xiàn)光路的切換。

使用MEMS的光路開關(guān)芯片可以實(shí)現(xiàn)低損耗，低切換延遲（毫秒級別）以及低功耗。在經(jīng)過一系列優(yōu)化之后，光路系統(tǒng)的成本也控制得很低，在整個(gè)TPU v4超級計(jì)算機(jī)成本中占5%以下。

谷歌自研的Palomar MEMS光路開關(guān)芯片，圖/谷歌

算法-芯片協(xié)同設(shè)計(jì)是TPU v4的靈魂

如果說可重配置光互聯(lián)給TPU v4提供了良好的根基的話，那么算法-芯片協(xié)同設(shè)計(jì)就是TPU v4的靈魂。算法-芯片協(xié)同設(shè)計(jì)包括兩部分，一部分是如何根據(jù)算法優(yōu)化芯片，而另一方面是如何根據(jù)芯片去優(yōu)化算法，在TPU v4的架構(gòu)中，兩者都得到了仔細(xì)考慮。

我們首先分析TPU v4如何根據(jù)算法來優(yōu)化芯片。如果說2017年TPU v1發(fā)表時(shí)候，其主要解決的還是卷積神經(jīng)網(wǎng)絡(luò)CNN的話，那么在2023年來看，CNN的加速問題早已經(jīng)被解決得差不多了，更多的是如何處理目前如日中天的大模型的問題。

對于谷歌來說，目前最關(guān)鍵的大模型就是決定了其公司主營收入的推薦系統(tǒng)大模型，因此TPU v4的設(shè)計(jì)也針對推薦系統(tǒng)大模型做了相當(dāng)?shù)膬?yōu)化。

在推薦系統(tǒng)大模型中，目前的加速瓶頸是嵌入層（embedding layer）。嵌入層的目的是將高維度稀疏特征映射到低維度高密度特征，從而該高密度低維度特征可以被神經(jīng)網(wǎng)絡(luò)進(jìn)一步處理。

嵌入層的實(shí)現(xiàn)通常是一個(gè)查找表（look-up table），而這個(gè)查找表可以非常巨大至100GB的數(shù)量級。在一個(gè)推薦系統(tǒng)模型中可以有多個(gè)這樣的查找表，從而讓整個(gè)查找表的存儲量達(dá)到TB級別。

如此巨大的查找表會需要使用分布式計(jì)算，將每一個(gè)嵌入層的查找表都分布到多塊TPU v4芯片中進(jìn)行計(jì)算。

谷歌在論文中提到，在進(jìn)行這樣的嵌入層計(jì)算時(shí)，計(jì)算是以1D向量計(jì)算為主，而非2D矩陣或者3D張量計(jì)算；

其次，計(jì)算往往是稀疏的（因?yàn)檩斎胩卣魇窍∈璧模虼瞬⒉皇撬刑卣鞫紩懈呙芏扔?jì)算）而且分布在不同的芯片上，因此需要能對于共享存儲進(jìn)行優(yōu)化，這樣不同的芯片可以進(jìn)行高效的數(shù)據(jù)交換。

為了實(shí)現(xiàn)對于嵌入層優(yōu)化，谷歌在TPU v4中專門設(shè)計(jì)了一種專用加速模塊，稱為稀疏核（SparseCore，SC）。

每個(gè)SC都有自己的向量計(jì)算單元（scVPU），2.5 MB本地SRAM，以及可以訪問高達(dá)128TB共享HBM的內(nèi)存訪問接口。

除此之外，SC還有一些專門為嵌入層操作設(shè)計(jì)的專用加速邏輯，包括排序（Sort）、規(guī)約（Reduce）、拼接（Concat）等。

我們可以看到，其實(shí)每個(gè)SC的結(jié)構(gòu)都較為簡單，因此在每個(gè)TPU v4中都部署了大量SC，但同時(shí)SC總體的面積開銷和功耗開銷都僅僅占TPU v4的5%左右。

谷歌在論文中比較了使用CPU運(yùn)行嵌入層（這也是常規(guī)運(yùn)行嵌入層的做法）以及使用TPU v4 SC運(yùn)行嵌入層，結(jié)果表明在運(yùn)行相同的推薦系統(tǒng)時(shí)，相對于把嵌入層在CPU上運(yùn)行，把嵌入層放在TPU v4的SC上可以把整體推薦系統(tǒng)的運(yùn)行速度提升6倍以上。

事實(shí)上，這也是領(lǐng)域?qū)Ｓ迷O(shè)計(jì)（domain-specific design）最吸引人的地方，即使用很小的芯片面積和功耗開銷，可以得到非常大的性能提升。

而谷歌在TPU v4的設(shè)計(jì)中把這樣的領(lǐng)域?qū)Ｓ没O(shè)計(jì)放到了對于整個(gè)公司都最關(guān)鍵的地方（決定谷歌整體收入的推薦系統(tǒng)模型的核心瓶頸嵌入層），從而撬動(dòng)了非常大的收益。

TPU v4的稀疏核（SC）設(shè)計(jì)，圖/谷歌

除了在芯片層面進(jìn)行針對算法的優(yōu)化之外，TPU v4還在分布式計(jì)算拓?fù)鋵用鎸?shí)現(xiàn)了對于算法的優(yōu)化。

在前文中我們提到，TPU v4引入可重配置光互連可以針對不同的人工智能模型實(shí)現(xiàn)不同的TPU v4之間的互聯(lián)拓?fù)?，為此谷歌設(shè)計(jì)了一套機(jī)器學(xué)習(xí)算法來決定如何根據(jù)人工智能模型來配置光路開關(guān)來提升性能。

分析表明，對于目前最熱門的大語言模型（包括GPT-3）的訓(xùn)練，使用機(jī)器學(xué)習(xí)算法查找到的最優(yōu)TPU光互聯(lián)拓?fù)渑渲每梢蕴嵘?.2-2.3倍的性能。

圖/谷歌

最后，谷歌還為了TPU v4專門設(shè)計(jì)了一套神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（NAS）算法，可以根據(jù)TPU v4的特性來優(yōu)化人工智能模型，從而確保經(jīng)過優(yōu)化的模型可以最高效地運(yùn)行在TPU v4上，并且充分利用TPU v4的資源。

與人工優(yōu)化相比，使用該NAS可以實(shí)現(xiàn)推薦系統(tǒng)高達(dá)10%的運(yùn)行時(shí)間優(yōu)化，這大約相當(dāng)于每年節(jié)省數(shù)千萬美元的成本。

TPU v4與人工智能芯片的未來

從TPU v4的設(shè)計(jì)中，我們可以看到人工智能芯片未來的一些方向，而這些方向是我們在Nvidia的GPU等其他主流人工智能芯片的設(shè)計(jì)中也看到的：

首先就是對于高效互聯(lián)和規(guī)模化的支持。隨著人工智能模型越來越大，對于這類模型的支持主要依賴人工智能芯片的可擴(kuò)展性（即如何讓多芯片可以高效并可靠地一起分工合作來加速這樣的大模型），而不是一味提高單芯片的能力來支持大模型，因?yàn)槟Ｐ偷难葸M(jìn)總是要比芯片的設(shè)計(jì)迭代更快。

在這個(gè)領(lǐng)域，不同的芯片公司會有不同的側(cè)重，例如AMD側(cè)重較為微觀層面的使用chiplet來實(shí)現(xiàn)封裝級別的可擴(kuò)展性，Nvidia有NvLink等芯片技術(shù)來實(shí)現(xiàn)單機(jī)多卡之間的可擴(kuò)展性和性能提升，谷歌則直接為了海量TPU互聯(lián)設(shè)計(jì)了一款光路開關(guān)芯片；

但是這些公司之間的共性，即對于人工智能芯片可擴(kuò)展性的支持以滿足大模型的需求，卻是相當(dāng)一致的。從這個(gè)角度來看，未來可擴(kuò)展性（例如數(shù)據(jù)互聯(lián)帶寬）有可能會成為與峰值算力一樣的人工智能芯片主要指標(biāo)，而這也讓人工智能芯片設(shè)計(jì)更加跨界：即不僅僅是需要對于數(shù)字邏輯和計(jì)算機(jī)架構(gòu)方面的資源，同時(shí)也需要在封裝、數(shù)據(jù)互聯(lián)等領(lǐng)域都有積累。

此外，人工智能芯片與算法之間的結(jié)合繼續(xù)保持緊密關(guān)系，算法-芯片協(xié)同設(shè)計(jì)仍然將是未來人工智能芯片繼續(xù)提升性能的主要手段之一。

我們目前已經(jīng)看到了谷歌、Nvidia等在算法-芯片協(xié)同設(shè)計(jì)中的大量成果：包括對于新的數(shù)制（Nvidia的FP16、FP8，谷歌的BF16等）的支持，對于計(jì)算特性的支持（Nvidia對于稀疏計(jì)算的支持），以及對于模型關(guān)鍵算法的直接專用加速器的部署（Nvidia的transformer acclerator，谷歌的SC等）。

隨著摩爾定律未來越來越接近物理極限，預(yù)計(jì)未來人工智能芯片性能進(jìn)一步提升會越來越倚賴算法-芯片協(xié)同設(shè)計(jì)，而另一方面，由于有算法-芯片協(xié)同設(shè)計(jì)，我們預(yù)計(jì)未來人工智能芯片的性能仍然將保持類似摩爾定律的接近指數(shù)級提升，因此人工智能芯片仍然將會是半導(dǎo)體行業(yè)未來幾年最為熱門的方向之一，也將會成為半導(dǎo)體行業(yè)未來繼續(xù)發(fā)展的重要引擎。??

圖/谷歌