2022年，我們打賭說(shuō)transformer會(huì)統(tǒng)治世界。

我們花了兩年時(shí)間打造Sohu，這是世界上第一個(gè)用于transformer（ChatGPT中的“T”）的專(zhuān)用芯片。

將transformer架構(gòu)燒到芯片中，我們無(wú)法運(yùn)行大多數(shù)傳統(tǒng)的AI模型：支持Instagram廣告的DLRM，像AlphaFold 2這樣的protein-folding模型，或者像Stable Diffusion 2這樣的舊圖像模型，也不能運(yùn)行CNN、RNN或LSTM。

但對(duì)于transformer來(lái)說(shuō)，Sohu是有史以來(lái)最快的芯片。

借助Llama 70B每秒超過(guò)50萬(wàn)個(gè)token的吞吐量，Sohu可以讓您構(gòu)建在GPU上無(wú)法實(shí)現(xiàn)的產(chǎn)品。Sohu甚至比英偉達(dá)（NVIDIA）的下一代Blackwell (B200)GPU更快、更便宜。

今天，每個(gè)最先進(jìn)的AI模型都是一個(gè)transformer：ChatGPT，Sora, Gemini，Stable Diffusion 3等等。如果transformer被SSM、RWKV或任何新架構(gòu)所取代，我們的芯片將毫無(wú)用處。

但如果我們是對(duì)的，Sohu將改變世界。這就是我們打這個(gè)賭的原因。

超級(jí)智能所需要的是規(guī)模擴(kuò)展

在五年內(nèi)，AI模型在大多數(shù)標(biāo)準(zhǔn)化測(cè)試中變得比人類(lèi)更聰明。因?yàn)镸eta在訓(xùn)練Llama 400B （2024 SoTA，比大多數(shù)人都聰明）時(shí)使用的計(jì)算比OpenAI在GPT-2 （2019 SoTA）上使用的計(jì)算多5萬(wàn)倍。

通過(guò)給AI模型提供更多的算力和更好的數(shù)據(jù)，它們會(huì)變得更聰明。規(guī)模擴(kuò)展是唯一一個(gè)幾十年來(lái)一直有效的技巧，每一家大型AI公司（谷歌、OpenAI /微軟、Anthropic /亞馬遜等）在未來(lái)幾年都將花費(fèi)超過(guò)1000億美元來(lái)保持?jǐn)U展。我們生活在有史以來(lái)最大的基礎(chǔ)設(shè)施建設(shè)中。

“我認(rèn)為（我們）可以擴(kuò)大到1000億美元的規(guī)模，……我們將在幾年內(nèi)實(shí)現(xiàn)這一目標(biāo)。”

——Dario Amodei, Anthropic CEO

擴(kuò)展下一個(gè)1000倍將非常昂貴。下一代數(shù)據(jù)中心的成本將超過(guò)一個(gè)小國(guó)的GDP。以目前的速度，我們的硬件、電網(wǎng)和錢(qián)包都跟不上。

我們不擔(dān)心數(shù)據(jù)耗盡。無(wú)論是通過(guò)合成數(shù)據(jù)、標(biāo)注管道，還是新的AI標(biāo)記數(shù)據(jù)源，我們認(rèn)為數(shù)據(jù)問(wèn)題實(shí)際上是一個(gè)推理計(jì)算問(wèn)題。Mark Zuckerberg、Dario Amodei和Demis Hassabis似乎也同意這一點(diǎn)。

GPU正遇到壁壘

小秘密是GPU并沒(méi)有變得更好，而是變得更大了。該芯片每面積的算力（TFLOPS）四年來(lái)幾乎持平。

從2022年到2025年，AI芯片并沒(méi)有變得更好，而是變得更大了。英偉達(dá)的B200、AMD的MI300、英特爾的Gaudi 3和亞馬遜的Trainium2將兩個(gè)芯片作為一張卡來(lái)“加倍”性能。2022-2025年間的所有GPU性能提升都使用了這個(gè)技巧，除了Etched。

隨著摩爾定律的放緩，提高性能的唯一方法就是專(zhuān)業(yè)化。

專(zhuān)用芯片不可避免

在transformer占領(lǐng)世界之前，許多公司制造了靈活的AI芯片和GPU來(lái)處理數(shù)百種不同的架構(gòu)。舉幾個(gè)例子：

NVIDIA’s GPUs

Google’s TPUs

Amazon’s Trainium

AMD’s accelerators

Graphcore’s IPUs

SambaNova SN Series

Cerebras’s CS-2

Groq’s GroqNode

Tenstorrent’s Grayskull

D-Matrix’s Corsair

Cambricon’s Siyuan

Intel’s Gaudi

目前還沒(méi)有人開(kāi)發(fā)出專(zhuān)門(mén)針對(duì)算法的AI芯片（ASIC）。芯片項(xiàng)目耗資5000 -1億美元，需要數(shù)年時(shí)間才能投產(chǎn)。剛開(kāi)始的時(shí)候，沒(méi)有市場(chǎng)。

突然之間，情況發(fā)生了變化：

前所未有的需求：在ChatGPT之前，transformer推斷市場(chǎng)約為5000萬(wàn)美元，而現(xiàn)在是數(shù)十億美元。所有大型科技公司都使用transformer模型（OpenAI、b谷歌、亞馬遜、微軟、Facebook等）。

架構(gòu)融合：AI模型過(guò)去經(jīng)常發(fā)生變化。但自GPT-2以來(lái)，最先進(jìn)的模型架構(gòu)幾乎保持相同！OpenAI的GPT家族，谷歌的PaLM， Facebook的LLaMa，甚至特斯拉的FSD都是transformer。

當(dāng)模型的訓(xùn)練成本超過(guò)10億美元，推理成本超過(guò)100億美元時(shí)，專(zhuān)用芯片是不可避免的。在這個(gè)規(guī)模上，1%的改進(jìn)將證明一個(gè)5000 -1億美元的定制芯片項(xiàng)目是合理的。

實(shí)際上，ASIC比GPU要快幾個(gè)數(shù)量級(jí)。2014年，當(dāng)比特幣進(jìn)入市場(chǎng)時(shí)，扔掉GPU比用它們挖比特幣更便宜。

隨著數(shù)十億美元的投入，AI也將面臨同樣的命運(yùn)。

transformer驚人地相似：像SwiGLU激活和RoPE編碼這樣的調(diào)整無(wú)處不在：LLM、嵌入模型、圖像繪制和視頻生成。

雖然GPT-2和Llama-3是最先進(jìn)的（SoTA）型號(hào)，但它們的架構(gòu)幾乎相同。唯一的主要區(qū)別是規(guī)模。

transformer有一條巨大的護(hù)城河

我們相信硬件抽獎(jiǎng)：獲勝的機(jī)型是那些在硬件上運(yùn)行最快、最便宜的機(jī)型。transformer功能強(qiáng)大、有用、利潤(rùn)豐厚，足以在替代產(chǎn)品出現(xiàn)之前主導(dǎo)每一個(gè)主要的AI計(jì)算市場(chǎng)：

transformer為每一個(gè)大型AI產(chǎn)品提供動(dòng)力：從代理到搜索再到聊天。為了優(yōu)化用于transformer的GPU，AI實(shí)驗(yàn)室已經(jīng)投入了數(shù)億美元的研發(fā)資金。當(dāng)前和下一代最先進(jìn)的型號(hào)是transformer。

未來(lái)幾年，隨著模型規(guī)模從10億美元擴(kuò)大到100億美元，再到1000億美元的訓(xùn)練費(fèi)用，測(cè)試新架構(gòu)的風(fēng)險(xiǎn)也會(huì)飆升。與其重新測(cè)試縮放定律和性能，不如把時(shí)間花在構(gòu)建transformer的特性上，比如multi-token預(yù)測(cè)。

今天的軟件堆棧針對(duì)transformer進(jìn)行了優(yōu)化。每個(gè)流行的庫(kù)（TensorRT-LLM, vLLM， Huggingface TGI等）都有專(zhuān)門(mén)的內(nèi)核用于在GPU上運(yùn)行transformer模型。在transformer之上構(gòu)建的許多特性在替代方案中不容易得到支持（例如推測(cè)解碼、樹(shù)搜索）。

未來(lái)的硬件堆棧將針對(duì)transformer進(jìn)行優(yōu)化。NVIDIA的GB200對(duì)transformer（TransformerEngine）有特殊的支持。像Sohu這樣的ASIC進(jìn)入這個(gè)市場(chǎng)標(biāo)志著不可能再回頭了。transformer殺手需要在GPU上運(yùn)行的速度比在Sohu上運(yùn)行的速度快。如果發(fā)生這種情況，我們也將為此構(gòu)建一個(gè)ASIC ！

遇見(jiàn)Sohu

Sohu是世界上第一個(gè)transformer專(zhuān)用集成電路。一臺(tái)8xSohu服務(wù)器替換160個(gè)H100 GPU。

通過(guò)專(zhuān)業(yè)化，Sohu獲得了前所未有的業(yè)績(jī)。一臺(tái)8xSohu服務(wù)器每秒可以處理超過(guò)500,000個(gè)Llama 70Btoken。

基準(zhǔn)是在FP8精度下的lama- 370B：無(wú)稀疏性，8倍模型并行，2048輸入/128輸出長(zhǎng)度。

用TensorRT-LLM 0.10.08（最新版本）計(jì)算8xH100，估計(jì)8xGB200的數(shù)字。

Sohu只支持transformer推理，無(wú)論是Llama還是Stable Diffusion3。Sohu支持目前所有的模型（谷歌，Meta, Microsoft, OpenAI，Anthropic等），并可以處理對(duì)未來(lái)模型的調(diào)整。

由于Sohu只能運(yùn)行一種算法，絕大多數(shù)控制流邏輯可以被移除，從而允許它擁有更多的數(shù)學(xué)塊。因此，Sohu擁有超過(guò)90%的FLOPS利用率（相比之下，使用TRT-LLM的GPU7只有30%）。

怎么能在芯片上容納比GPU更多的FLOPS呢？

NVIDIA H200具有989 TFLOPS的FP16/BF16無(wú)稀疏性計(jì)算。這是最先進(jìn)的（甚至超過(guò)了谷歌的新Trillium芯片），而在2025年推出的GB200只多了25%的計(jì)算能力（每芯片1,250 TFLOPS）。

由于GPU的絕大部分區(qū)域都致力于可編程性，專(zhuān)門(mén)研究transformer可以讓您適應(yīng)更多的計(jì)算。你可以從第一原理中證明這一點(diǎn)：

構(gòu)建單個(gè)FP16/BF16/FP8乘加電路需要10,000個(gè)晶體管，這是所有矩陣數(shù)學(xué)的構(gòu)建模塊。H100 SXM有528個(gè)張量核，每個(gè)核有4*8*16個(gè)FMA電路。乘法告訴我們H100有27億個(gè)晶體管專(zhuān)用于張量核。

但是H100有800億個(gè)晶體管!這意味著H100 GPU上只有3.3%的晶體管用于矩陣乘法!

這是英偉達(dá)和其他靈活A(yù)I芯片深思熟慮的設(shè)計(jì)決策。如果想支持各種模型（CNN、LSTM、SSM等），你不能做得比這更好了。

通過(guò)只運(yùn)行transformer，我們可以在芯片上容納更多的FLOPS，而不會(huì)降低精度或稀疏性。

推理的瓶頸不應(yīng)該是在內(nèi)存帶寬上，而不是在計(jì)算上嗎？

事實(shí)上，對(duì)于像Llama-3這樣的現(xiàn)代模型來(lái)說(shuō)，答案是no！

讓我們使用NVIDIA和AMD的標(biāo)準(zhǔn)基準(zhǔn)：2048個(gè)輸入token和128個(gè)輸出token。大多數(shù)AI產(chǎn)品的提示都比完成時(shí)間長(zhǎng)得多（甚至一個(gè)新的Claude聊天在系統(tǒng)提示中也有1000多個(gè)token）。

在GPU和Sohu上，推理是批量運(yùn)行的。每個(gè)批處理一次加載所有模型權(quán)重，并在批處理中的每個(gè)token上重用它們。一般來(lái)說(shuō)，LLM的輸入是計(jì)算綁定的，而LLM的輸出是內(nèi)存綁定的。當(dāng)我們將輸入和輸出token與連續(xù)批處理結(jié)合在一起時(shí)，工作負(fù)載變得非常計(jì)算受限。

下面是LLM的連續(xù)批處理示例。這里我們正在運(yùn)行具有四個(gè)輸入token和四個(gè)輸出token的序列；每種顏色都是不同的序列。

我們可以擴(kuò)展同樣的技巧來(lái)運(yùn)行Llama-3-70B，使用2048個(gè)輸入token和128個(gè)輸出token。每個(gè)批處理包含一個(gè)序列的2048個(gè)輸入token，以及127個(gè)不同序列的127個(gè)輸出token。

如果我們這樣做，每批將需要大約(2048 + 127)*70B params *2字節(jié)/ param = 304 TFLOPs，而只需要加載70B params *2字節(jié)/ param = 140 GB的模型權(quán)重和大約127 *64*8 *128*(2048 + 127)*2*2 = 72GB的KV緩存權(quán)重。這遠(yuǎn)遠(yuǎn)超過(guò)了內(nèi)存帶寬：一臺(tái)H200需要6.8 PFLOPS的計(jì)算才能最大限度地利用其內(nèi)存帶寬。這是在100%利用率下，如果利用率是30%，你需要3倍以上計(jì)算負(fù)載。

由于Sohu有如此多的計(jì)算和非常高的利用率，我們可以運(yùn)行巨大的吞吐量，而不會(huì)出現(xiàn)內(nèi)存帶寬的瓶頸。

在現(xiàn)實(shí)世界中，批處理要大得多，輸入長(zhǎng)度變化很大，請(qǐng)求以泊松分布到達(dá)。這種技術(shù)在這些情況下效果更好，但我們?cè)谶@個(gè)例子中使用2048/128基準(zhǔn)，因?yàn)镹VIDIA和AMD使用它。

軟件是如何工作的？

在GPU和TPU上，軟件是一場(chǎng)噩夢(mèng)。處理任意CUDA和PyTorch代碼需要一個(gè)非常復(fù)雜的編譯器。第三方AI芯片（AMD、英特爾、AWS等）在軟件上總共花費(fèi)了數(shù)十億美元，但收效甚微。

但是Sohu只運(yùn)行transformer，我們只需要為transformer編寫(xiě)軟件！

大多數(shù)運(yùn)行開(kāi)源或內(nèi)部模型的公司使用特定于transformer的推理庫(kù)，如TensorRT-LLM、vLLM或HuggingFace的TGI。這些框架非常嚴(yán)格——雖然可以調(diào)整模型超參數(shù)，但并不真正支持更改底層模型代碼。但這很好——因?yàn)樗械膖ransformer模型都是如此相似（甚至是文本/圖像/視頻的），調(diào)整超參數(shù)是你真正需要的。

雖然這支持95%的AI公司，但最大的AI實(shí)驗(yàn)室都是定制的。他們有工程師團(tuán)隊(duì)手動(dòng)調(diào)整GPU內(nèi)核，以擠出更多的利用率，逆向工程，比如哪個(gè)寄存器對(duì)張量核心的延遲最低。

有了Etched，你再也不需要逆向工程了——我們的軟件，從驅(qū)動(dòng)程序到內(nèi)核再到服務(wù)棧，都將是開(kāi)源的。如果想實(shí)現(xiàn)自定義的transformer層，您的內(nèi)核向?qū)Э梢宰杂傻剡@樣做。

Etched將是第一個(gè)

如果這個(gè)賭注現(xiàn)在看起來(lái)很瘋狂，想象一下在2022年實(shí)現(xiàn)它。剛開(kāi)始的時(shí)候，ChatGPT還不存在！圖像和視頻生成模型是U-Nets，自動(dòng)駕駛汽車(chē)是由CNN驅(qū)動(dòng)的，transformer架構(gòu)遠(yuǎn)未普及。

幸運(yùn)的是，形勢(shì)已經(jīng)朝著有利于我們的方向轉(zhuǎn)變。從語(yǔ)言到視覺(jué)，每個(gè)領(lǐng)域的頂級(jí)模型現(xiàn)在都是transformer。這種融合不僅證明了這一押注是正確的，而且也使Sohu成為這十年來(lái)最重要的硬件項(xiàng)目。

我們正在進(jìn)行歷史上最快的芯片發(fā)布之一：

頂尖的AI研究人員和硬件工程師離開(kāi)了重大的AI芯片項(xiàng)目，加入我們;

我們已經(jīng)直接與臺(tái)積電合作開(kāi)發(fā)他們的4nm工藝。我們已經(jīng)從頂級(jí)供應(yīng)商那里獲得了足夠的HBM和服務(wù)器供應(yīng)，可以快速啟動(dòng)第一年的生產(chǎn);

我們的早期客戶(hù)已經(jīng)預(yù)訂了數(shù)千萬(wàn)美元的硬件.

?

如果我們是對(duì)的，Sohu將改變世界

如果AI模型一夜之間變得快20倍、便宜20倍，會(huì)發(fā)生什么？

今天，Gemini要花60秒回答一個(gè)關(guān)于視頻的問(wèn)題。編碼代理的成本高于軟件工程師，完成任務(wù)需要花費(fèi)數(shù)小時(shí)。視頻模型每秒生成一幀，甚至當(dāng)ChatGPT注冊(cè)用戶(hù)達(dá)到1000萬(wàn)（僅占世界的0.15%）時(shí)，OpenAI的GPU容量也耗盡了。

我們并沒(méi)有在解決這個(gè)問(wèn)題的軌道上——即使我們繼續(xù)讓GPU變得更大，以每?jī)赡?.5倍的速度，也需要十年的時(shí)間才能實(shí)現(xiàn)實(shí)時(shí)視頻生成。

但有了Sohu，這將是即時(shí)的。當(dāng)實(shí)時(shí)視頻、電話、代理和搜索最終正常工作時(shí)，會(huì)發(fā)生什么？

很快，你就會(huì)知道了。

原文鏈接：

https://www.etched.com/announcing-etched