自主造芯新突破：256TOPS算力刷新國產性能榜，功耗低至35W，首個存算一體智駕芯片兩年交卷

金磊 發自 上海量子位 | 公眾號 QbitAI

中國芯片，再添一股新勢力——

國內首款存算一體智駕芯片，正式發布！

這款12nm芯片名叫鴻途?H30，從性能表現上來看，在功耗僅為35W的情況下，最高物理算力可達256TOPS。

概括來說，就是芯片性能提升了2倍以上，但功耗卻減少了超50%。

這一點，以Resnet50性能功耗為例，與國際芯片巨頭英偉達主流產品做對比即可一目了然。

不過有一說一，除了“國內首款存算一體智駕芯片”之外，圍繞鴻途?H30所體現的“業界第一”還不僅于此。

它的問世也成為了存算一體大算力芯片在國內的首次工程化落地。

而打造鴻途?H30背后的公司后摩智能（下文簡稱后摩），其自身也擁有著一個“業界第一”的標簽——

國內首家存算一體大算力AI芯片公司。

更重要的是，以上種種的成績，后摩是從自2020年底成立至今，僅僅花費2年多的時間“解鎖”。

如此速度和效能之下，也令活動現場掌聲不斷。

不只是一顆芯片這么簡單

我們進一步再來深入了解一下這款存算一體架構芯片。

許多了解芯片的小伙伴在看到“256TOPS”時，就會產生疑問：市面上不是已經有很多能夠達到這個算力值的芯片了嗎？

我們需要注意的是，鴻途?H30亮出來的是物理算力，并非是市面上常說的稀疏虛擬算力。

這也就意味著它一舉成為了國產智駕芯片里物理算力最大的那一個。

更難能可貴的是，在拿下最大算力的同時，功耗正如我們剛才提到的，僅為35W。

如此看下來，芯片的能效比便是幾倍于同類的產品了。

除此之外，在活動現場，后摩對鴻途?H30更多的細節參數做了展示：

• 12nm工藝
• 支持外擴Memory，寬帶達128GB/s
• 支持16路FHD Encoder/Decoder
• 支持PCIe 4.0，x8，x4，x2，RC&EP mode
• ……

性能指標方面，鴻途?H30與英偉達產品相比，在Resnet50 Batch=1和Batch=8上，分別達到了5.7倍和2.3倍。

計算效率方面，鴻途?H30更是拿下了11.3倍和4.6倍的成績！

那么具備如此高性能存算IP，如何能將其利用到位，便涉及到AI處理器架構和設計的問題了。

而在活動現場，后摩也是將其背后的架構設計毫無保留地展示了出來——IPU（Intelligence Processing Unit）。

從整體來看，后摩在架構設計上的規劃采用了“三步走”的策略。

首先便是第一代IPU天樞架構，這是專門為自動駕駛所打造的IPU，而剛才我們提到的鴻途?H30正是基于此。

談到這個架構是如何設計出來的，就不得不先提一下以往芯片的設計架構。

例如特斯拉FSD的集中式計算，就是非常典型的通過堆積大量計算資源來提高性能。

它就像是一個四合院，院子里啥都有，主人們在院子里可以盡情溝通交流，但問題也非常明顯，就是四合院的面積就只有那么大，居住者數量就是有限的。

后來也有人提出了分布式計算的方法，把算力很大的核拆分成若干個小核；這些小核可以獨立完成小任務，也可以共同完成大任務。

這種方式像是現代高層公寓，每層樓都有獨立的基礎生活功能，也可以方便復制和擴展；但問題是每層樓之間的溝通比較困難。

因此，后摩智能的天樞架構所采用的便是二合一的思路——結合古典中式建筑和現代高層建筑。

簡單來說，每個芯片都包含4個IPU核；每個IPU核又有4個Tile；而每個Tile內部還有CPU、張量引擎、特殊功能單元、矢量處理器和多通道DMA等。

這樣的架構使得AI計算不但不用在多個處理器（例如CPU，GPU，DSP）之間分配任務，甚至不用出AI核，就可以高效的完成全部端到端的計算。

這種架構還可以說是像一個綜合辦事大樓，走進去，一站式完成各種業務，大幅提高了效率。

總結來說，天樞架構的特點之一就是多核/多硬件線程實現計算效率與算力靈活擴展的平衡。

除此之外，它還可以擺脫系統總線的桎梏，其雙環拓撲專用總線可以實現靈活的數據直傳。

就像在多層空中四合院之間，建了個直接入戶的電梯，可以快速做到傳輸。

至于后摩在未來要進一步研發的天璇架構和天璣架構，則將聚焦在擴大模型應用邊界和通用人工智能。

在現場，后摩也展示了搭載鴻途?H30后無人小車上路的實測。

但如果你覺得后摩僅僅是拿出來了一塊芯片，那就有點too simple了些。

在如此短促的研發時間里，它還一口氣發布了力馭?域控制器和后摩大道?軟件平臺。

力馭是后摩面向智能駕駛市場的大算力域控制器產品，據悉，只需要搭載單顆鴻途?H30，便可以滿足智能駕駛多種傳感器、從L2到L4所有AI計算的需求。

最后，還有一個后摩大道?軟件平臺，是為鴻途?H30芯片產品開發的AI軟件開發平臺。

它的作用便是可以讓客戶在使用后摩存算一體架構產品時，能夠將開發、調試和部署應用的效率大幅提高。

以上便是后摩第一次正式亮相所給出的主要“作業”了。

通過各種數據和效果的對比展示，其在大算力國產智駕芯片的實力可見一斑。

但更令人驚嘆的，還應當屬“后摩速度”——一切都在2年多時間完成。

如何在2年時間“煉”成的？

不同于美國創業公司從車庫、大學宿舍開始的那般浪漫與理想，后摩的創業起點非常出乎人們的意料——沙縣小吃。

沒錯，正是在這種享受餛飩與熱湯之際，幾個人一拍即合，決定創業搞AI芯片。

不過賽道鎖定在芯片，除了大環境的因素之外，也與小伙伴們每個人都向往“萬物智能”的生活相關。

例如有人家住得特別遠，若是自動駕駛成熟了，便可以邊通勤邊辦公；還有人非常顧家，希望有個機器人把家務全包了……

那么問題來了，到底什么樣的芯片才能做到無處不在、讓萬物實現智能？

極致的效率，毋庸置疑是非常關鍵的因素之一。

然而當時后摩的初創團隊從科技發展歷史看清的一個事實是，每1000倍的效率提升將造就一個計算時代。

若是想要達到他們理想的萬物智能世界，那么算力起碼也得是現今芯片計算效能的1000倍。

加之摩爾定律的逐步失效，他們便將目光聚焦到了另一種打法——換架構，搞存算一體。

團隊堅定認為，這就是后摩爾時代下的破局之道：

算力得大，功耗要低，面積要小，成本還得廉。

以至于CEO吳強在現場這般回憶道：

我們太喜歡這個方向了，連公司名字都是從這而來——后摩智能。

（雖然也有人會打電話問是不是做摩托車的……）

不過講真，存算一體這個技術在兩三年前并沒有像現在這般火爆。

可以說后摩成為了最早一批嘗到紅利的公司，也順理成章地使其成了國內第一個搞存算一體大算力AI芯片的公司。

而之所以會將第一個落地場景放到自動駕駛，用吳強的話來說就是，“自動駕駛是萬物智能美好生活的重要組成部分，人們幾乎在花1/8清醒時間在開車”。

并且自動駕駛作為“集AI技術大成者”的領域，能啃下這塊硬骨頭，那么再拓展到其它領域也就會輕松很多。

賽道、方向、技術，在創業初期三大最重要的關鍵因素定下來之后，接下來就是進入更煎熬的研發階段了。

雖說是煎熬階段，但有一說一，對于后摩團隊來說，或許都已經是駕輕就熟的事情，因為公司聚集了一幫芯片“老手”。

例如創始人吳強，博士畢業于普林斯頓大學計算機博士學位，研究方向正是高能效比計算芯片及編譯器。

畢業之后，他還先后工作于Intel、AMD、Facebook等國外知名企業；值得一提的是，在AMD期間曾擔任GPGPU/OpenCL創始團隊核心成員。

吳強不僅擁有國外的工作經驗，在2017年回國之后，也是在國內AI知名獨角獸企業擔任技術副總裁和CTO等職務。

在學術方面，吳強曾獲第38屆計算機體系架構頂會MICRO-38 唯一的一個最佳論文獎；科研成果被美國業內雜志IEEE Micro 評選為年度最有影響的12 個科技成果之一。

△后摩智能創始人兼CEO，吳強

再如后摩智能聯合創始人、芯片研發副總裁陳亮，本碩博畢業于清華大學，曾任海思CPU芯片資深架構師、地平線AI芯片首席架構師。

在做產品上，后摩聯合創始人、產品副總裁信曉旭，具有15年以上計算芯片產品、市場和銷售經驗，曾任海思計算芯片產品總監。

△左：陳亮；右：信曉旭

而從后摩整體研發團隊構成來看，碩、博士占比70%以上；核心成員均主導過多顆世界級芯片的設計量產，類別涵蓋GPU、CPU、高性能車規級AI芯片等。

更重要的是，用吳強自己的話來說，后摩的研發團隊人員都是非常純粹的人，肯吃苦、夠努力。

如此來看，也就不難理解為什么能夠在2年多的時間里，將存算一體芯片從0到1開花結果了。

芯片的“后摩時刻”已至

雖然芯片產品已經發布、量產，但最后我們還需要對一個問題做深入的探討——存算一體，是否真的是正確的方向。

要回答這個問題，我們還需先得知道芯片算力的發展出了什么問題。

無論是計算機、手機，還是智能手環等產品，它們內部程序運行機制都繞不開一個著名的計算體系，馮·諾依曼體系結構。

它的一個特點，就是計算和存儲是分離的。

若是通俗一點理解，我們可以將這個過程視為在廚房炒菜：

• 存儲器：相當于廚房里的冰箱；
• 數據：相當于冰箱里的菜；
• 計算器：相當于洗菜、切菜和炒菜。

那么要完成一道菜，就需要先從冰箱里把菜取出來，再去廚房里洗、切、炒。

那么問題來了，這些菜需要在存儲器和計算器之間瘋狂地做搬運工作，這就無形之間產生了巨大的時間開銷，

若是對于較低的計算量來說，馮·諾依曼體系結構尚且還可處理，但誰能想到，在信息數據量爆炸的當下，人們對算力的需求會變得如此之大。

舉個例子，若是用全卷積網絡處理一張分辨率為224×224大約5萬像素的圖片，需要的計算量為5×109次的計算。

這個任務若是放在一個CPU核心上處理，需要足足3秒鐘的時間，慢，著實太慢！

單單是這么簡單的任務尚是如此，近年來隨著AIGC熱潮的到來，大模型成為了產學界的香餑餑，而動輒需要對上千億參數做訓練推理，需要的算力之大可見一斑。

即便現代很多芯片開始設計更復雜的多級存儲結構，例如把SRAM（靜態隨機存儲器）作為距離計算單元最近的緩存，保證最高的讀寫速度，但容量還是非常的有限。

例如在下圖英偉達GA102 GPU中，藍色方塊區域便是緩存區域，即便看上去占了不少空間，但其實容量也就6MB而已。

這在當今主流AI任務面前，簡直是大巫見小巫了。

這，就是當下算力發展所遇到的致命瓶頸。

而且就過去二十年的發展來看，處理器性能以每年大約55%的速度提升，但內存性能的提升速度每年只有10%左右。

存儲速度長期滯后于計算速度，因此就導致了芯片性能難以滿足AI需求的情況。

不僅如此，近年來“摩爾定律即將失效”的聲音也是此起彼伏，很多人認為傳統的芯片無法再勝任新的大算力任務了。

雖然業界在后來提出了GPU、多核CPU等解決方案，但依舊是無法繞開馮·諾依曼體系結構最為致命的瓶頸問題。

在如此情況之下，業界便提出了更為大膽的想法——干脆把冰箱和廚房搞到一起，讓取菜、洗菜、切菜和炒菜都在一個空間里完成——即，存算一體。

對應到芯片設計，就意味著把分開的計算單元和SRAM單元重新設計，把乘加單元打散并插入到SRAM陣列當中，以此形成新的存算單元。

如此一來，每個存算單元既保留了SRAM本身的規則性，便于高速讀寫；又擴充了并行計算功能，實現高能效計算。

以后摩發布的鴻途?H30為例，在存算一體架構之下，便可以在每秒計算超過4×1012次。

和其它AI芯片相比，后摩存算一體的宏單元在同樣能耗下提供的算力，可以直接飆升10倍！

但其實存算一體技術早在2011年就引起學術界關注，而后在2016-2017年成為學術界熱議的話題。

到2019年逐漸開始受到工業界和資本的關注，彼時大家的討論主要集中在這項技術的可靠性上。

從2020年開始，越來越多的玩家進入這個市場，并且大公司都開始在存內計算上發力，此時的存內計算已成為產業界“不得不跟進”的技術之一，大家的討論聚焦在存內計算未來的市場空間上。

再從市場規模角度來看，量子位在《存算一體芯片深度產業報告》中曾經預測：

2030年，基于存算一體技術的大算力芯片市場規模約為67億人民幣。

由此可見，不論是從技術亦或是市場的發展和預測來看，存算一體確實是解決算力瓶頸的一大利器。

而作為率先入局的后摩智能，也給出了自己的觀點：

存算一體的價值在于，它是一種比傳統架構更接近人腦的計算方式，能達到遠超傳統方式的高計算效率，和智能駕駛終局的需求天然吻合。

2023年，會是存算一體商業落地的元年。

至此，對于芯片算力的瓶頸，后摩智能已經給出了自己的一套打法，并且已經交出了一份高分作業。

站在現今后摩爾時代的當下，或許芯片的“后摩時刻”已經到來。