这款全新AIU芯片是IBM研究院AI硬件中心投入五年开发出的成果。AI硬件中心专注于开发下一代芯片与AI系统，计划每年将AI硬件效率提升2.5倍，并希望在十年间（2019年至2029年）将AI模型的训练和运行速度拉高1000倍。
AIU大解密
根据IBM发布的博文，“我们的完整片上系统共有32个处理核心和230亿个晶体管——与我们z16芯片的晶体管数量大致相同。IBMAIU在设计易用性方面与普通显卡相当，能够接入任何带有PCI插槽的计算机或服务器。”
深度学习模型在传统上，一直依赖于CPU加GPU协处理器的组合进行训练与运行。GPU最初是为沉浸图形图像而开发，但后来人们发现该技术在AI领域有着显著的使用优势。
IBMAIU并非图形处理器，而是专为深度学习模型加速而生，针对矩阵和矢量计算进行了设计优化。AIU能够解决高复杂度计算问题，并以远超CPU的速度执行数据分析。
AI与深度学习的发展
AI硬件新局面：IBM公布全新230亿晶体管AIU
深度神经网络极为耗能，但也发展迅猛
深度学习的发展给算力资源带来了巨大压力。AI与深度学习模型在各个行业的普及度呈现出指数级增长，如今几乎每个角落都浮动着智能元素的身影。
除了普及度提升之外，模型大小也堪称一路狂飙。深度学习模型往往体量庞大，包含数十亿甚至数万亿个参数。遗憾的是，根据IBM的说法，硬件效率的发展已经无法跟上深度学习的指数级膨胀。
近似计算
从历史上看，计算一般集中在高精度64位与32位浮点运算层面。但IBM认为，有些计算任务并不需要这样的精度，于是提出了降低传统计算精度的新术语——近似计算。IBM在博文中对于近似计算的基本原理做出如下说明：
“对于常见的深度学习任务，我们真的需要那么高的计算精度吗？没有高分辨率图像，难道我们的大脑就无法分辨家人或者小猫？当我们进行一轮文本线程搜索时，难道第50002条答案跟第50003条之间的顺序必须严格区分？答案当然是否定的，所以如此种种的诸多任务都可以通过近似计算来处理。”
近似计算在新AIU芯片的设计中也发挥着至关重要的作用。IBM研究人员设计的AIU芯片精度低于CPU，而这种较低精度也让新型AIU硬件加速器获得了更高的计算密度。IBM使用混合8位浮点（HFP）计算，而非AI训练中常见的32位或16点浮点计算。由于精度较低，因此该芯片的运算执行速度可达到FP16的2倍，同时继续保持类似的训练效能。
这种看似相互冲突的设计目标，在IBM眼中却是和谐统一、顺畅自然。具体来讲，既要靠低精度计算获得更高的算力密度和更快的计算速度，同时又要保证深度学习（DL）模型的准确率与高精度计算保持一致。
IBM设计的这款芯片就是为了简化AI工作流而生。蓝色巨人解释道，“由于大多数AI计算都涉及矩阵和矢量乘法，所以我们的芯片架构采用了比通用型CPU更简单的布局。IBM将AIU设计为直接将数据从一个计算引擎发送至另一计算引擎，由此大大削减了运行功耗。”
性能表现
IBM在公告中并未提到多少关于该芯片的技术信息。但回顾IBM在2021年国际固态电路会议（ISSCC）上展示的早期7纳米芯片设计性能，应该可以据此估算出最新AIU的大致性能水平。
IBM在会上展示的原型并非32核心，而一块实验性的4核心7纳米AI芯片，支持FP16与混合FP8格式，可用于深度学习模型的训练和推理。它还支持用于扩展推理的int4和int2格式。2021年LindleyGroup在通讯中公布了这款原型芯片的性能摘要，相关报道如下：
在峰值速度并使用HFP8时，这款7纳米芯片设计方案实现每秒每瓦特1.9teraflops（TF/W）。
TOPS衡量的是加速器在1秒之内可以解决多少数学问题，可用于比较不同加速器在特定推理任务上的处理能力。在使用INT4进行推理时，这款实验芯片可达到16.5TOPS/W，优于高通的低功耗CloudAI模组。
分析师笔记
虽然规格不明、价格未定，但估计IBM这款AIU的定价可能在1500美元到2000美元之间。如果价格设定合理，相信AIU能够在市场上迅速确立其地位。
由于缺乏细节信息，暂时无法直接对AIU和GPU的AI处理核心进行比较。
AIU中使用的低精度技术基于IBM研究院的早期研究成果，其先后开创了首个以16位低精度系统执行深度学习训练、首个8位训练技术以及最先进的2位推理技术。
根据IBM研究院的介绍，AIU使用到了Telum芯片中AI加速器的缩放版本。
Telum使用的是7纳米晶体管，但AIU将使用更先进的5纳米晶体管。
如果AIU能够及时参与明年的MLPerf基准测试，相信结果会非常有趣。我们也将持续关注IBM这款新成果的更多动态。
