深度探讨Chiplet与AIGC的威廉希尔官方网站 趋势

2023年3月29日，IC和系统设计盛会“国际集成电路展览会暨研讨会（IIC Shanghai）”在上海国际会议中心拉开帷幕。奇异摩尔受邀参加首日举办的EDA/IP与IC设计论坛，发表主题为《基于Chiplet的超大规模异构计算平台，助力AIGC逐浪狂飙》的演讲，与现场嘉宾、观众们深度探讨了Chiplet与AIGC两大热点的威廉希尔官方网站 趋势。

最近AIGC成为了行业中的热点话题，它在不同领域的应用层出不穷，如微软的Copilot和Midjourney等。随着AIGC的飞速发展，对算力也提出了更高的要求。

AIGC的发展对算力的需求变化

回顾AI的发展史，十几年间，AI从决策式和小模型计算发展到大模型，AI对我们的生产方式以及使用方式的影响日渐显性化，对企业的商业模式也有着巨大的影响。

生成式AI的模型类型和应用方式不断增加，市场上出现了很多出色的应用，产业迭代的速度肉眼可见的超过了市场接受的反应。但是，AI快速迭代背后的因素是大模型所带来的能力突变。AI的能力准确率已经达到了人类基准线以上，这种准确率的提高需要更大规模的模型和算力，与此同时，AI对算力的依赖会变得越来越强。

所谓“算力依赖”主要体现在四个层面，算法、数据、工程以及算力。算法是相对成熟的，但数据层面随着算法的推进，在以指数级的速度在上升。工程和算力则会面临更大的挑战：如何用更少的人工干预、更少的算力产生更高的效能？

AI的迭代速度非常快，每一代所需要的模型数量、算力规模比上一代都有数倍甚至一倍的速度增加，远远超过了我们能够提供的增长曲线，从而为行业提出了新的命题和挑战。这样的挑战会给高性能计算带来怎样的变化？

大模型对高性能计算架构有哪些影响

在高性能计算领域，除了算力挑战以外，挑战主要来自于三个方面：如何提高算力功耗比，如何提高存储访问的功耗比，以及如何提高互联效率。

过去以同构和板卡级互联为特点的数据中心架构，很难支撑未来超大规模计算的需求，数据中心架构需要从顶层开始重新设计以满足超大规模计算的需求。

国际巨头们正在采取不同的方式应对这些挑战：NVIDIA使用NVLINK3.0和InfiniBand来形成超大规模集群，并将CPU和GPU组合在一起处理数据集，以应对未来数据中心的算力需求；Intel去年年底发布了第一款3D GPGPU，未来还计划发布3D APU，致力于提供更好的集联和互联性能，在不同的领域可以用最合适的芯片去解决相关的问题；而AMD则发布了自己的3D APU产品 MI300。

超大规模集群已经成为未来的发展方向，其中异构也是非常重要的趋势。在这个趋势里，Chiplet 预期将成为超大规模集群未来的核心。

超大规模计算集群核心威廉希尔官方网站

超大规模计算集群威廉希尔官方网站 需要一个有效的架构来调度更大规模的算力算子进行集联。此前的计算架构都局限于64核或148核，但特斯拉通过25颗die组成了上千个CPU的超大集群，这对软件和硬件架构都提出了挑战。

同时，统一的编程框架和库模型也很关键，国内也有很多在这方面的合作伙伴，未来同样会成为一个非常重要的发展方向。

第三，未来，各种芯粒都有可能成为单元，包括CPU、GPU、NPU等等。这样做的好处是避免了重复设计，可以单独迭代，同时可以组成不同的产品系列。然而，如何将这些芯粒连接在一起，降低传输损耗，提高效率，仍然是非常大的挑战。

什么是Chiplet？

Chiplet是一种新的芯片设计方法，它基于 SoC 架构进行拆分重组，将主要功能单元 (IP) 转变成独立芯粒 (Dielet)，并通过先进封装和 Die-to-Die接口，将芯粒连接到 Chiplet 互联网络 (OCI) 中，组成系统级宏芯片 (MSoC)。

通过Chiplet设计，可以持续扩大芯片面积，提升性能，并且减少研发成本和芯片面积，同时增加芯片良率，保持经济和成本的可行性。AMD已经成功地应用了这种设计方法，我们也可以通过这种方式来打造更好的产品组合。

编辑：黄飞