作者 | 宋慧

出品 | CSDN 云计算&AI 科技大本营

为 AI 与机器学习提供更高性能的支持，是芯片厂商的竞争特点。最近，AI 芯片厂商 Graphcore 联合国内知名的深度学习平台百度飞桨，共同提交了 MLCommons 的 AI 基准评测 MLPerf Training 2.0，提交的模型集合评测结果比以往测试和其他芯片平台，都有较大的提升，再次证明了 IPU 芯片的过硬实力。

CSDN 曾报道 Graphcore IPU 的发展： GPU还是IPU？IPU 芯片厂商 Graphcore 的 2021 ，与英伟达、Google、英特尔的 SIMD 的芯片架构不同，Graphcore 的 IPU 是 MIMD 架构的图处理器，Graphcore 的 IPU 多核最多已达 1472 核，每个核自有 SRAM，是多核分布式、片上内存分布式的多指令多数据的处理器。因此，Graphcore IPU 基于 AI 计算图的处理器，可以支持运行矢量处理器运行效果不佳的应用场景。

联合提交 MLPerf 测试模型，算力与性能继续提升

Graphcore 在 2022 年第一季度发布了最新的基于 Bow 芯片的 Bow Pod 平台，也是本次 MLPerf 2.0 主要提交的计算平台，Bow Pod16、Bow Pod64、Bow Pod128、Bow Pod256，为提交测试的各类模型，都提供了最新和最强的算力支持。例如 Bow Pod16 整体算力为 5.6 PetaFLOPS，到 Bow Pod256 整体接近 90 PetaFLOPS，几乎达到了数据中心的算力规模。

本次提交的测试模型是 ResNet-50、BERT 和 RNN-T，其中，ResNet-50 和 BERT 是标准提交的集合，另外语音方面在开放分区提交了 RNN-T（Recurrent Neural Network Transducer），性能指标可以直接供商业用户使用参考。

测试结果 1、ResNet-50 测试耗时，最短 2.67 分钟

Graphcore Bow Pod 在 ResNet-50 上的提交结果

在 2021 年底 Graphcore 提交的 ResNet-50 测试中，NVIDIA 的 DGX A100 和 Graphcore  IPU-POD16 的对比上，Graphcore 第一次超过 NVIDIA，IPU-POD16 耗时 28.3 分钟。本次提交结果继续进步，缩短到 19.64 分钟。在 Bow Pod256 上，训练时间仅需 2.67 分钟，要知道几年前的模型训练时间都是以小时为单位起步的。Graphcore 技术负责人对 CSDN 介绍，性能的成绩得益于硬件层面 Graphcore Bow IPU 采用的 Wafer-on-Wafer 3D 堆叠技术，软件层面的通信库、内存优化，编译器优化，以及训练模型的优化等这些技术点的提升。

测试结果 2、BERT 测试，性能线性提升

与去年提交结果的对比，从 IPU-POD16 到 Bow Pod16 的训练时间提升了 31%，吞吐量的提升约为 1.6 倍，其中 1.3 倍来自硬件提升，1.26 倍来自软件提升。另外，Bow Pod256 提升了接近 30%，通常情况下，系统越大，越难提升，因此 Graphcore 在大尺度系统上做了很多通信库、集合通信（collective communication）优化，最终在大尺度系统上也达到了同比例提升。另外，BERT 和 ResNet 的提升幅度类似，训练时间提升了接近 37%，吞吐量提升了 1.6 倍。

本次测试和以往不同的，是 Graphcore 与百度飞桨联合提交。百度飞桨使用 Bow Pod16 和 Bow Pod64 进行了 BERT 在封闭分区的提交，结果与 Graphcore 使用自研的训练推理引擎 PopART 进行提交的结果几乎一致，说明了 Graphcore 软件栈能够快速对接新的 AI 框架。而百度飞桨在测试中，也体现了框架的接入高效性，没有任何性能侵入式的设计。

芯片之上，Graphcore 继续深耕软件与生态能力

本次的联合提交测试，也是 Graphcore 与百度飞桨生态共建的重要一站。从共聚、共研到共创，百度飞桨的硬件生态正在快速发展，与以往算子开发、映射开发不同，Graphcore 以子图或者整图的方式，也为飞桨提供了创新思路。

据介绍，飞桨与 Graphcore 在 AI Ecosystem 的共创方面还有很多新的方向，如百度飞桨与 Graphcore 的软件栈，以及 Graphcore 的模型花园偏应用层面的开发工具等合作，并在百度的内部以及国内其他的行业，落地产业开展真实应用。此外，百度飞桨与 Graphcore 也计划在 AI Studio 上后续开设 Graphcore 的硬件应用专区，基于这个平台更好地共同拓展与国内开发者，以及国际开发者的合作。

硬件的发展之外，Graphcore 在软件层面也在持续发力。就像下图中的模型，除了黄色的是历届提交的 MLPerf 模型，在实践中 Graphcore 还积累了更多模型可供用户参考使用。比如在计算机视觉上，除了 CNN 卷积神经网络，还包括 ResNet-50、EfficientNet、MoblieNet，更多的类似 Transformer，DINO、Swin Transformer 等业界最新流行的模型。在物体检测方面 YOLOv3、v4，在目标分割以及医疗影像方面的 Unet，Graphcore 也在持续跟进、快速迭代。

另外，据介绍，Graphcore 在自然语言处理 NLP、强化学习、语音、时间图神经网络、聚类图神经网络上都在发力。在 HPC 领域，分子动力学、大气模拟、Covid-19、智能气象里 ET0 的计算，也都可以通过 Graphcore 的 IPU 硬件加速带来更高性能提升。在 AI 领域之外，金融行业销售预测、推荐引擎和生成式模型 DALL-E 以及 DALL-E 2，Graphcore 也在同步开发和研究。除了与百度飞桨的深度合作，Graphcore 也在与欧洲的 AI 公司 Aleph Alpha 在大模型大算力联合创新。

Graphcore 还在打造 AI 超级计算机 Good™ Computer（古德计算机），古德计算机是为100万亿参数量的模型打造，Good™ Computer将会达到约8192个路线图IPU，提供超过10 Exa-Flops的AI算力，也考虑继续往3D Wafer-on-Wafer演进（目前Graphcore采用3D Wafer-on-Wafer的Bow芯片，AI算力为350T）。其中存储需达到4PB，以及10 PB每秒的内存带宽，离不开Graphcore Poplar软件的迭代，以支持大算力和大模型的要求。

AI 芯片行业的爆发式发展，从本次联合提交 MLPerf 测试，能看到 AI 行业中的各方在寻求更加开放的合作与共赢，而生态的繁荣，也会让 AI 走得更远。CSDN 将继续关注 Graphcore 与 AI 芯片的最新发展。