隨著ChatGPT橫空出世，預(yù)訓(xùn)練大模型對千行百業(yè)的革新與改造潛力已盡顯無遺，甚至有業(yè)界大佬將其問世譽為人工智能“iPhone 時刻”，并預(yù)言這“只是更偉大事物的開始”。

ChatGPT為何顯得如此“與眾不同”？

借用技術(shù)接受理論（TAM）提出者、哈佛大學(xué)教授Venky Narayanamurti的總結(jié)，有用性（usefulness）與易用性（ease of use）是一項新興技術(shù)擴散的兩大基本前提。以這一標(biāo)準(zhǔn)衡量，2016年的AlphaGo-李世石五番棋大戰(zhàn)，堪稱完成了對人工智能“有用性”的全民科普，而ChatGPT則標(biāo)志著AI技術(shù)擴散的另一必要條件-易用性已潛移默化滲入公眾心智。

基于此，外界有理由樂觀期待，人工智能產(chǎn)業(yè)的確已站在了巨擘預(yù)卜的宏偉藍圖新起點上。

成于算力、困于互連？

在不少“后見之明”的解讀中，GPT家族往往被與2017年谷歌推出的Transformer模型相聯(lián)系。

基于自注意力機制的Transformer，及其后谷歌BERT對各類文本任務(wù)的“屠榜”表現(xiàn)和驚人泛化能力，的確堪稱為GPT做好了前置技術(shù)與工程方法的鋪墊。站在巨人的肩膀上，GPT開發(fā)者OpenAI團隊，最終憑借更敏捷的效率和更有力的執(zhí)行，完成了最后的一躍。

進一步深入看，Transformer較此前MLP\LSTM等傳統(tǒng)深度學(xué)習(xí)模型，正是對硬件算力實現(xiàn)了更高效的運用。

關(guān)于這一點，2019年深度學(xué)習(xí)泰斗、DeepMind首席科學(xué)家Richard Sutton在其《苦澀的教訓(xùn)》一文中就曾感言，從70年AI研究中可以學(xué)到的最大教訓(xùn)是，利用計算的一般方法最終是最有效的，而且有很大的優(yōu)勢，終極原因是摩爾定律，或者更確切地說，是它對每單位計算成本持續(xù)呈指數(shù)下降的概括，大多數(shù)AI研究都是在可用算力恒定的情況下進行的（在這種情況下，利用人類經(jīng)驗將是提高性能的唯一方法），但是，在比典型研究項目稍長的時間里，算力會大大增加，從長遠來看，唯一重要的是利用計算。

正如Sutton所預(yù)見的，近年來，AI硬件算力取得了突飛猛進的發(fā)展。除了為人所熟知的GPU之外，谷歌TPU（GPT系列早期通過TPUv2進行訓(xùn)練）、微軟Catapult等AI加速芯片往往省去了傳統(tǒng)通用CPU微架構(gòu)中亂序、預(yù)取等高級控制措施，能夠?qū)崿F(xiàn)卷積神經(jīng)網(wǎng)絡(luò)最核心的乘加運算單元設(shè)計最優(yōu)化，充分挖掘SIMD架構(gòu)并行計算能力。

算法、算力及其相結(jié)合的工程方法進步，最終為OpenAI“大力出奇跡”奠定了基礎(chǔ)。

完全可以預(yù)期，在OpenAI明星效應(yīng)下，全球科技巨頭未來一兩年必將推出一系列類GPT預(yù)訓(xùn)練大模型，也有望帶動對數(shù)據(jù)中心AI算力集群的投資進一步加速。

不過值得注意的是，盡管各大芯片廠商爭相推出AI加速芯片，算力參數(shù)不斷刷新記錄，但預(yù)訓(xùn)練大模型參數(shù)量動輒上百億、千億乃至萬億，其訓(xùn)練仍遠遠超出一兩張GPU等AI加速卡所能駕馭的范圍，往往必須通過網(wǎng)絡(luò)將多處理器互連、乃至進一步組成HPC算力集群，實現(xiàn)算力資源的池化調(diào)度，如此方能滿足AI大模型的分布式、并行化訓(xùn)練。而在評估訓(xùn)練效率時，單批數(shù)據(jù)（batch）的總訓(xùn)練用時也往往受通信時長的顯著影響。

正因如此，隨著AI大模型揭示的全新想象空間出現(xiàn)，算力集群這一基礎(chǔ)設(shè)施也將迎來投資熱潮，而在其面臨的配電、散熱、通信等一系列工程挑戰(zhàn)中，算力節(jié)點間的數(shù)據(jù)傳輸尤其堪稱制約硬件算力充分釋放的關(guān)鍵“瓶頸”。

破解互連瓶頸的“關(guān)鍵支點”

AI訓(xùn)練、推理所面對的數(shù)據(jù)量指數(shù)增長，使得無論單服務(wù)器中多GPU、CPU間C2C通信，還是在多服務(wù)器間組網(wǎng)，數(shù)據(jù)傳輸總體都呈現(xiàn)出高帶寬、低延遲的技術(shù)需求。

在算力集群通信網(wǎng)絡(luò)拓撲結(jié)構(gòu)趨同的背景下，交換機接口日益成為打通“瓶頸”的重要突破口，并衍生出提升網(wǎng)卡速率、增加網(wǎng)卡數(shù)量、乃至應(yīng)用RDMA網(wǎng)絡(luò)直連等多種工程思路。

而在底層接口技術(shù)領(lǐng)域，與傳統(tǒng)并行接口相比，SerDes串行接口由于其顯著的成本優(yōu)勢，已然成為應(yīng)用主流，在PCIe 6.0等新標(biāo)準(zhǔn)中，更是在物理層進一步引入對PAM4（四階脈沖振幅調(diào)變）編碼的支持，以進一步提高SerDes數(shù)據(jù)傳輸速率。

不過SerDes的應(yīng)用，也自然存在不少技術(shù)挑戰(zhàn)，其中最嚴(yán)峻的，無疑首推信號完整性（SI）問題。

例如在通過背板、連接器、PCB板的中距離、長距離互連場景中，SerDes高速鏈路TX、RX端往往間隔著管腳、PCB過孔、信號線乃至連接器、線纜等環(huán)節(jié)，存在材料、工藝、布局等復(fù)雜原因引入的噪聲、串?dāng)_和信號衰減，以至于最終抵達接收器的電氣信號可能嚴(yán)重失真，很難恢復(fù)所傳輸信息的時鐘和數(shù)據(jù)位，也局限了速率、距離上的設(shè)計空間。

新一代56G、112G SerDes應(yīng)用PAM4編碼，在提供更大網(wǎng)絡(luò)吞吐量的同時，也因引入更多電平水平，帶來了信噪比損失、誤碼率（BER）惡化、前向糾錯（FEC）延遲增加等問題，需要進行精細的權(quán)衡取舍。

從上面的分析不難看出，想要充分發(fā)揮AI硬件算力效能，接口技術(shù)是破解互連瓶頸的關(guān)鍵支點，具有極大的杠桿效應(yīng)，而其應(yīng)用則必須解決圍繞信號完整性的諸多挑戰(zhàn)。

目前，盡管大量硬件廠商聘請了專職SI工程師負責(zé)調(diào)試，不過其效果取決于千差萬別的個人“手藝”，由于在芯片與系統(tǒng)設(shè)計各層面均需保證信號完整性，驗證過程也往往曠日持久，只有技能十分熟練且模電領(lǐng)域經(jīng)驗極其豐富的設(shè)計團隊才能嘗試此類設(shè)計，且測試驗證周期漫長。

正因如此，在芯片設(shè)計中，外購高速接口IP幾乎成為行業(yè)“必選項”，也帶動接口IP成為近年來增速最快的IP細分市場，根據(jù)專業(yè)機構(gòu)預(yù)測，接口IP甚至有望在2025年前后超越CPU IP，成為第一大半導(dǎo)體IP品類。

授人以魚，更要授人以漁

接口IP市場機遇，也使之成為各大IP HOUSE競爭熱點。例如全球三大IP廠商之一的Cadence（楷登電子），同樣推出了其112G SerDes IP設(shè)計，面向高性能計算（HPC）數(shù)據(jù)中心SOC需求，適用于長距離和中距離傳輸，已經(jīng)經(jīng)過7nm制程硅驗證，擁有上佳的PPA表現(xiàn)，插入損耗>35dB。

值得一提的是，外購接口IP只是從芯片到系統(tǒng)開發(fā)及信號完整性測試的起點，與工作流配套的工具是否完備、可及，也是影響開發(fā)周期的重要因素，可以說接口IP供應(yīng)商既要授人以魚，更要授人以漁。

作為EDA\IP領(lǐng)域巨頭，Cadence在這方面的實踐尤其具有代表性。在SerDes等成熟接口IP之外，該公司還提供了有機融合的完善設(shè)計工具和技術(shù)，幫助芯片與系統(tǒng)設(shè)計人員應(yīng)對貫穿各層面的信號完整性挑戰(zhàn)。

例如在不同芯片間互連設(shè)計與仿真中，建模是必不可少的手段。目前，IBIS和AMI是對SerDes信道進行建模的首選方式，IBIS-AMI的出現(xiàn)，使利用仿真模型快速且精確地模擬大量比特流成為了可能。作為行業(yè)標(biāo)準(zhǔn)的定義者之一，Cadence在相關(guān)工具開發(fā)上同樣走在前列，基于其Sigrity Advanced IBIS建模工具，用戶可自動創(chuàng)建模型，借助向?qū)С绦蛏蓪嵱盟惴Ｐ汀?/p>

在基于PCB板/背板/連接器的中長距離互連場景中，SerDes高速接口開發(fā)人員為了精準(zhǔn)可靠地分析信號，還需要為總體設(shè)計進行信號完整性(SI)、電源完整性(PI)以及電磁兼容性 (EMC)協(xié)同仿真，開發(fā)者往往需要透徹了解數(shù)據(jù)采集分析理論、精準(zhǔn)建立模擬器件特性模型。

針對這一痛點，Cadence的Clarity 3D Solve為PCB、IC封裝和SoIC關(guān)鍵互連設(shè)計提供了更好的工具選擇，基于其創(chuàng)建的高精度S-參數(shù)模型，即使在112G數(shù)據(jù)傳輸速度下，也能實現(xiàn)與實驗室測量相匹配的仿真結(jié)果。其有限元分析（FEM）過程實現(xiàn)了高度并行化，可極大縮短求解耗時，并支持近乎線性的硬件算力可擴展性。

此外，在分析鏈路信號完整性時，通常隱含假設(shè)是電路板和連接器功能良好，但在極高頻率下，單獨分析連接器和電路板、然后再將它們“連接"在一起的假設(shè)不再適用。電路板和連接器之間交互過多，同樣需要Clarity Solver等全面的3D分析工具實現(xiàn)高質(zhì)量設(shè)計，同時準(zhǔn)確預(yù)測成品性能。

 結(jié)語 

在黃仁勛喊出人工智能“iPhone 時刻”后，短短幾十天以來，預(yù)訓(xùn)練大模型及其下游應(yīng)用，已經(jīng)呈現(xiàn)出令人目不暇給的爆發(fā)態(tài)勢。可以想見，在各大云計算巨頭的AI大模型“軍備競賽”中，算力集群也將迎來一輪新的投資熱潮，通信網(wǎng)絡(luò)與接口技術(shù)，也有望進入發(fā)展加速期。此外，特斯拉 Dojo、Cerebras WSE-2等走“超級單芯片”路線的廠商，也可能引領(lǐng)一條大模型訓(xùn)練的新路。

不過無論何種路徑，對接口IP的“剛需”都清晰可見，在這一熱點、難點領(lǐng)域，筆者也期待有更多如Cadence等大廠帶來完整解決方案，推動互連瓶頸的緩解與松動，有力釋放預(yù)訓(xùn)練大模型無限可能，造福千行百業(yè)。

　更多精彩內(nèi)容歡迎點擊==>>電子技術(shù)應(yīng)用-AET<<