2017年我曾經(jīng)基于Graphcore的CTO Simon Knowles的演講兩次分析了它們的AI芯片。最近，我們看到更多關(guān)于IPU的信息，包括來自第三方的詳細分析和Graphcore的幾個新的演講。基于這些信息，我們可以進一步勾勒（推測）出IPU的架構(gòu)設(shè)計的一些有趣細節(jié)。
我們先來回顧一下IPU硬件架構(gòu)中的一些關(guān)鍵點。IPU采用的是大規(guī)模并行同構(gòu)眾核架構(gòu)。其最基本的硬件處理單元是IPU-Core，它是一個SMT多線程處理器，可以同時跑6個線程，更接近多線程CPU，而非GPU的 SIMD/SIMT架構(gòu)。
IPU-Tiles由IPU-Core和本地的存儲器（256KB SRAM）組成，共有1216個。因此，一顆IPU芯片大約有300MB的片上存儲器，且無外部DRAM接口。連接IPU-Tiles的互聯(lián)機制稱作IPU-Exchange，可以實現(xiàn)無阻塞的all-to-all通信，共有大約8TB的帶寬。最后，IPU-Links實現(xiàn)多芯片互聯(lián)，PCIe實現(xiàn)和Host CPU的連接。
▲source: Graphcore [3]
在我們做進一步討論之前，大家不妨先思考一下這個架構(gòu)的優(yōu)勢，劣勢和實現(xiàn)的挑戰(zhàn)。
對于一個同構(gòu)眾核架構(gòu)來說，一般不追求單個核的性能。因此，單個核的設(shè)計是比較簡單的，而芯片是通過把大量小核“復(fù)制”連接構(gòu)成的。
這種架構(gòu)的整體性能（特別是throughput）主要體現(xiàn)在大量處理器核同時工作形成的大規(guī)模并行處理能力。而主要的挑戰(zhàn)在于：
1. 算法和數(shù)據(jù)本身是否有足夠的并行性（Amdahl's law）
2. 要充分發(fā)揮眾核的效率，處理器核如何協(xié)同工作（通信，同步和數(shù)據(jù)一致性等問題）。
第一個問題的答案是肯定的。
目前的AI芯片主要是用于加速神經(jīng)網(wǎng)絡(luò)計算的，其模型和數(shù)據(jù)都有很多并行性可以挖掘，這也是幾乎各類AI芯片需求成立的基礎(chǔ)。
以前，類似的眾核結(jié)構(gòu)不是很成功，其主要原因也是沒有合適的應(yīng)用，有錘子沒釘子。從這個角度來看，IPU并不是發(fā)明了錘子，而是找到了合適的釘子。
即便如此，不同的模型和算子的并行性特征是有很大差異，比如CNN和RNN，稠密矩陣和稀疏矩陣，基本的Convolution和Grouped/Separable Convolutions。要用一個架構(gòu)高效支持所有應(yīng)用是不可能的，必須在設(shè)計中進行權(quán)衡。
第一個架構(gòu)設(shè)計的問題來了，Q1：采用什么樣的基本操作粒度？
而第二個問題則涉及多核/眾核架構(gòu)的傳統(tǒng)挑戰(zhàn)，Q2：多核如何協(xié)同工作？
此外，盡量利用片上存儲進行計算的優(yōu)勢是很明顯的。但是， 300MB的片上存儲對控制機制和芯片實現(xiàn)都是巨大的挑戰(zhàn)。下表是IPU和CPU，GPU的片上存儲的一些對比，大家可以感受一下。
▲Source：Citadel Tech Report[1]
而這種設(shè)計還有一個很明顯的問題就是，Q3：沒有外部DRAM，如果模型放不下怎么辦？特別是在模型越來越大的背景情況下，這個問題可能是大家關(guān)注最多的地方。
下面就從上述三個問題出發(fā)來討論一下IPU的設(shè)計。當(dāng)然，如我多次所說，架構(gòu)設(shè)計就是trade off，IPU的設(shè)計只能說是權(quán)衡的結(jié)果，而不一定是最佳方案（其實也不一定存在最佳方案）。因此，對于我們來說，思考和討論才是本文想達到的主要目的。
01
Q2：多核如何協(xié)同工作？
我想先討論第二個問題，因為IPU對這個問題的回答，實際上決定了IPU的編程模型，同時也對架構(gòu)設(shè)計和芯片實現(xiàn)有重大的影響。
IPU采用了一個稱為BULK SYNCHRONOUS PARALLEL (BSP)的運行模式。這種模式把一次處理分成三步：
1. 本地計算（Computation）：每個IPU-core進程都執(zhí)行僅在本地內(nèi)存上運行的計算。在此階段，進程之間沒有通信。前提是本地數(shù)據(jù)要準備好。
2. 同步（BSP Sync），在所有進程都達到同步點之前，任何進程都不會繼續(xù)進行到下一個步驟。除了同步點本身以外，此階段都不會進行計算或通信。
3. 通信（Exchange）：進程交換數(shù)據(jù)， 每個進程可以向每個期望的目的存儲器發(fā)送消息（單向）。在此階段不進行任何計算。這里要指出的是，數(shù)據(jù)交換不是僅限于單個IPU，而是可以通過IPU-Link把數(shù)據(jù)發(fā)送給同一板卡或不同板卡上的其它IPU。
▲Source：Graphcore[4]
上圖給出了BSP模式的優(yōu)勢，在我看來，這個模式最大的優(yōu)勢就是簡單。
首先，使用這個模式，眾核設(shè)計中一系列頭疼的問題要么大大簡化，要么就基本不存在了。第一，通信是單向，只需要從源位置寫到目的位置即可，且通信的同時是不進行運算的，芯片的所有能源都可以用作通信，有利于保證通信的性能。如果不是這種簡化，很難想象IPU是如何實現(xiàn)8TB帶寬all-to-all通信的。同步機制也很輕松，只需要支持發(fā)送簡單消息即可，也沒有時序上的風(fēng)險了。數(shù)據(jù)一致性的問題不存在了。
第二，這個機制中，處理器核只操作本地存儲器，這樣可以大大簡化處理器核的訪存設(shè)計。
第三，片上存儲在同一時間只有一個master在訪問，控制邏輯也可以大大簡化。這個應(yīng)該也是IPU能夠?qū)崿F(xiàn)這么多的片上存儲的原因之一。[1]中的實驗配置里，IPU可以工作在1.6GHz。考慮到IPU使用的是16nm工藝，如果不是大幅簡化了片上存儲和通信機制，整體達到這個時鐘頻率是相當(dāng)困難的。
那么，缺點呢？也很明顯。
第一，計算和通信必須是串行的。我們經(jīng)常看到的AI系統(tǒng)優(yōu)化里提到計算時間掩蓋通信時間的策略，目的是支持計算和數(shù)據(jù)搬移并行執(zhí)行，縮短整體消耗的時間。Graphcore對串行機制的解釋是，在Dennard scaling難以為繼的背景下，芯片工作的限制在于功耗，大芯片在實際工作時是不可能所有晶體管同時工作的（Dark Silicon問題）。
因此，他們把計算和通信串行來做，兩者都可以在功耗限制下發(fā)揮最高性能，整體時間來看并不比并行要差（詳見我之前的文章）。遺憾的是，要嚴格的比較串行和并行模式的實際性能是非常困難的，所以這里我們也只能留下個疑問。
第二，所有的處理器核（包括多芯片情況）都必須按照統(tǒng)一的同步點來工作，如果任務(wù)不平衡，就一定會出現(xiàn)處理器核空閑等待的情況。[2]中就給出了一個實際的例子，使用同一個板卡上的2個IPU實現(xiàn)BERT inference的情況。可以看出，開始由于無法平衡的分配任務(wù)，IPU0的利用率就比較低。
▲Source：Microsoft[2]
總得來說，BSP模式?jīng)Q定了IPU的硬件設(shè)計和編程方法，簡化了硬件設(shè)計難度的同時，給軟件工具帶來了更多的挑戰(zhàn)。這里插一張facebook的slides，大家可以參考一下。
回到主題，[1]中對IPU的片上和片間互聯(lián)做了大量討論和benchmark，具體數(shù)據(jù)也挺有意思，可以推測到一些實現(xiàn)細節(jié)，大家感興趣的話不妨看看。不過，在理解的IPU的基本設(shè)計思路之后，各種測試結(jié)果也就很容易理解了。
02
Q1：“采用什么樣的處理粒度？”
上述討論中，我們可以看到，在設(shè)計多核協(xié)同工作模式的時候，IPU選擇了一個粗粒度的模式。而在處理器核的設(shè)計中，IPU則選擇了細粒度和更高的靈活性。
從目前的資料來看，IPU-core是一個相對比較通用的處理器，支持6個線程，包括了一個Accumulating Matrix Product (AMP)單元，每周期可以實現(xiàn)64個混合精度或者16個單精度浮點數(shù)的操作。
但是，IPU-core訪問本地SRAM的端口并不寬，讀寫端口最大都是128 bit（據(jù)說有兩讀一寫三個端口）。因此，IPU-core的處理粒度的比較細的，不是Nvidia GPU的TensorCore這個粒度的，更不是NVDLA的處理粒度。
這也意味著在處理稠密矩陣運算的時候，IPU-core并不能最大限度的利用模型和數(shù)據(jù)的并行特征。[1]中所作的GEMM Benchmark也證實了這一點。單片IPU的混合精度處理能力是124.5T，和V100的TensorCore處理能力125T，是類似的。但實際IPU的GEMM運算效率只能達到50%左右，比TensorCore低不少。
▲Source：Citadel Tech Report[1]
同樣的原因，IPU執(zhí)行傳統(tǒng)Convolution操作的效率也不算很高（參考[1]中的Benchmark）。
當(dāng)然，這種設(shè)計的好處是處理器核有更好的通用性和靈活性。如果考慮稀疏模型，圖網(wǎng)絡(luò)，和一些特殊的Convolution運算，比如Grouped或者Separate Convolution的時候，這種細粒度的處理架構(gòu)就會表現(xiàn)出相對優(yōu)勢。這也可以從[1]中的ResNeXt網(wǎng)絡(luò)的Benchmark結(jié)果反應(yīng)出來。
從最近Graphcore給出的Benchmark和宣傳來看，他們在努力擴展IPU的應(yīng)用場景，或者說尋找IPU架構(gòu)能夠發(fā)揮更大效率的應(yīng)用和算法，比如金融領(lǐng)域。他們還提了個IPU thinking的概念，即在做算法的時候考慮充分利用IPU架構(gòu)的特點。讓大家從GPU thinking轉(zhuǎn)換到IPU thinking可能是個很艱巨的任務(wù)。但與其和Nvidia正面競爭，試圖取代GPU，可能還不如多培育更適合自己的應(yīng)用（新的釘子），找到能夠和CPU，GPU共存的空間。
03
Q3：“沒有外部存儲，如果模型放不下怎么辦？”
從設(shè)計之初，IPU就是想兼顧data center的training和inference的。而和其它的data center芯片（特別是training芯片）相比，IPU最大的一個差別就是沒有外部DRAM。在最近的NeurIPS 2019的一個講演中，Graphcore的Tom Wilsonk分享了利用IPU做BERT training和inference的示例，正好可以幫助我們分析這個問題。
總的來說，Graphcore的解決方式包括了幾個方面。
第一，是多芯片互聯(lián)。這個說起來很簡單，一個芯片放不下就多來幾個，但實現(xiàn)中對片間互聯(lián)機制的要求很高。前面介紹了IPU可以通過IPU-Link進行多芯片擴展，從[1]中可以看出，多個IPU芯片可以構(gòu)成一個大的虛擬IPU（如下圖所示，最大8張卡16顆芯片）。虛擬IPU的編程模型和單個IPU是類似的，差別僅在于，數(shù)據(jù)交換階段，數(shù)據(jù)要發(fā)送到最遠的IPU需要更長的延時。更詳細的延時數(shù)據(jù)，大家可以在[1]中查到。
▲Source：CitadelTech Report[1]
第二是模型并行，即把模型分布到多個核甚至多個芯片來執(zhí)行inference或training。下面兩個圖分別是BERT模型的inference和training的配置。其中一路inference可以用兩顆IPU芯片實現(xiàn)（和[2]分析的類似），training則使用7張卡，14顆IPU芯片采用pipeline的模式實現(xiàn)。
▲Source：Graphcore[3]
具體的training模型并行pipeline模式如下圖。這里還有一個trick，就是通過re-compute前向activation來減少存儲的需求。
▲Source：Graphcore[3]
從上述例子我們可以看出Graphcore解決存儲容量問題的一些思路。Benchmark我就不貼了，大家可以看[3]。
更近一步，一個有趣的問題是，Graphcore是否會在下一代產(chǎn)品中加上外部存儲的接口呢？如果要加的話，基于BSP的編程模型是否需要修改？片上通信是否也需要做比較大的改動以匹配外部存儲的數(shù)據(jù)帶寬呢？片上的處理器核數(shù)量或者SRAM數(shù)量是否要減少呢？等等。
感覺這個改動有可能會對IPU架構(gòu)設(shè)計的基礎(chǔ)產(chǎn)生很大影響，也許并不是單純加個DDR/HBM接口這么簡單。或者，可以不改變基本的架構(gòu)設(shè)計理念，而是通過chiplet的模式直接在封裝里擴展更多的IPU... ...
讓我們拭目以待吧。