AI性能基准测试从此有了「中国标准」，英伟达、谷歌可以试试这套算力卷

编者按：本文来自微信公众号“量子位”（ID:QbitAI），作者：金磊，36氪经授权发布。

在秀算力这件事上，近几年一个叫MLPerf的AI性能基准测试，经常跃入人们的视线。

为了拿这个标准证明实力，英伟达、谷歌等「算力」大厂的表现，可谓是赚足了眼球。

早在2018年12月，也就是MLPerf首次出炉之际，英伟达便基于自家Tesla V100，在包括图像分类、物体分割、推荐系统等六项测试中均取得优秀成绩，拿下全场最佳。

而此后，英伟达更是频频刷榜，就在刚刚过去不久的最新性能测试中，英伟达又凭借A100 GPU打破了八项AI性能纪录。

谷歌方面也是毫不示弱，凭借4096块TPU V3将BERT的训练时间缩短到了23秒。

对此，谷歌AI掌门人Jeff Dean还在社交平台发文表示：

很高兴看到MLPerf 0.7的结果，谷歌TPU在八项基准测试中，创造了六项纪录。

我们需要（换）更大的标准了，因为我们现在在30秒内，就可以训练ResNet-50、BERT、Transformer、SSD 等模型。

那么问题来了，令这些「算力」大厂们竞相追逐的MLPerf这套「考题」，真的是「AI性能基准测试的唯一标准」吗？

不见得。

要达到理想的AI或者高性能计算（HPC）基准测试，具有三方面的挑战：

首先，基准工作负载（workload）需要表示关于硬件利用率、设置成本和计算模式等的实际问题。

其次，基准测试工作负载最好能够自动适应不同规模的机器。

最后，使用简单、较少的指标，就可以衡量AI应用上的整个系统性能。

反观MLPerf，正如Jeff Dean所言，它具有固定的工作负载大小，这本身或许就是个错误。

因为增加的算力，应当被用来解决更大规模的问题，而不是用更少的时间去解决相同的问题。

而像LINPACK这样的基准测试，在没有代表性工作负载的情况下，又无法反映AI的跨栈性能。

针对上述问题，清华大学、鹏城实验室、中科院计算所联合推出了一套「中国AI试卷」——AIPerf。

简单来说，AIPerf的特点如下：

基于的是自动化机器学习（AutoML）算法，能够实现深度学习模型的实时生成，对不同规模机器有自适应扩展性，并可检验系统对通用AI模型的效果。

通过全新的解析方式计算浮点数运算量，可快速准确的预测AI任务中需要的浮点数运算，以此计算浮点数运算速率并作为评测分数。

那么，中国的这套「AI试卷」具体难度几何？科学与否？

还请各位看官继续品读。

中国的这套「AI试卷」长什么样？

摊开这套「AI试卷」，全貌如下：



△ AIPerf基准测试工作流程图

刚才也提到，AIPerf是基于AutoML算法来实现，在框架方面，研究人员选择的是一款较为用户友好的AutoML框架——NNI（Neural Network Intelligence）。

但在此基础上，研究人员针对「AI加速器闲置」、「模型生成耗时」等问题，对NNI框架进行了修改。

AIPerf的工作流程如下：

通过SSH访问主节点，收集从属节点的信息，并创建SLURM配置脚本。

主节点通过SLURM，将工作负载并行和异步地分配给对应请求和可用资源的从属节点。

从属节点接收到工作负载后，并行地进行架构搜索和模型训练。

从属节点上的CPU，据当前历史模型列表搜索新的架构（该列表中包含了测试数据集上详细的模型信息和精度），然后将架构存储在缓冲区（如网络文件系统）中，以便后期训练。

从属节点上的AI加速器加载「候选架构」和「数据」，利用数据并行性与HPO一起训练后，将结果存储在历史模型列表中。

一旦满足条件（如达到用户定义的时间），运行就会终止。根据记录的指标计算出最终结果，然后上报。

做完这套「AI试卷」，得到的分数又该如何来衡量和排名呢？

我们知道，FLOPS是当前最常用来反映高性能计算整体计算能力的性能指标。

在这套「试卷」中，研究人员还是用FLOPS作为主要的指标，直接描述AI加速器的计算能力。

在AIPerf中，浮点数运算速率被当作一个数学问题来求解。通过对深度神经网络的分解，对每个部分的运算量进行解析的分析，得到浮点数运算量。

结合任务运行时间，即可得到浮点数运算速率并作为benchmark分数。

理论到位了，实验就要跟上。

硬件规格方面如下：



评估环境的详情如下：



最后，公布性能结果！

研究人员在各种规模的机器上运行了AIPerf这项基准测试，主要对两方面特性做了评估，分别是稳定性和可扩展性。

从10个节点到50个节点，最多有400个GPU。所有的中间结果，包括生成的架构、超参数配置、每个时间点的精度和时间戳，都记录在日志文件中。

下图展示了用不同规模的机器进行评估的「基准分数」和「规范分数」（单位均为FLOPS），随时间产生的变化。



结果表明，AIPerf基准测试具有鲁棒性和线性可扩展性。

接下来，是在不同规模机器下，GPU及其内存利用率的相关评估。

从图中可以发现，AI训练卡整体的计算和内存利用率很高（均大于90%）。在不同模型之间的过渡阶段，由于数据的加载和计算图的编译等原因，利用率会有所下降。



为什么要出这套「试卷」？

「浏览试卷」后，就需要思考一个问题：

为什么要出AIPerf这套AI基准测试？

这个问题就需要「由表及里」地来看待。

首先，从表象来看，类似MLPerf和LINPACK基准测试程序，自身存在一些漏洞和问题：

要么工作负载大小是固定的，而算力的增加，应当用来解决更大规模的问题，限制了可扩展性。

要么在没有代表性工作负载的情况下，无法反映系统对AI的跨栈计算性能。

虽然诸如此类的评测标准，目前来看是具有一定的价值和意义，但客观存在的不足也是不容忽视。

毕竟在当前人工智能飞速发展的大环境下，算力显得格外重要，而完备及更加科学的「基准测试」，将有助于算力的发展。

由此看来，「基准测试」和「算力」更像一对作用力和反作用力。



其次，从深层意义来看，发展算力，是非常必要的。

对于高性能计算来说，早在1993年便诞生了「TOP500」榜单，从一开始的美国、日本霸榜，到中国算力的崛起，不难看出国家在这项建设中的投入。

原因很简单，高性能计算对于各个国家发展航天事业、石油勘探、水利工程，再到新兴的高科技产业，都起到至关重要的作用。

但伴随着AI的兴起，改变了一往传统高性能计算的「求解方法」——AI+HPC才是未来算力的发展趋势。



近年来TOP500榜单，便能体现这一点：

首台登顶榜首的ARM架构HPC，是基于富士通48/52核A64FX ARM。

排名第二的SUMMIT，采用IBM Power+NVIDIA V100。

……

榜单中近30%系统拥有加速卡/协处理器，也就是说，越来越多的系统配有大量低精度算术逻辑单元，用来支撑人工智能计算能力需求。

而在我国，也有越来越多的企业，开始或已经布局其中。

例如华为、浪潮、联想等，均拿出了自家强悍产品，在诸如TOP500、MLPerf等榜单中大显身手。

再从实际应用层面来看，或许你觉得发展算力对平民百姓并没有用，但其实不然。

恰好每年大血拼的「双11」即将来临，而每个电商平台背后，都有一套强有力的推荐系统，也就是用户经常看到的「猜你喜欢」功能。

推荐得准不准、快不快，很大程度上也是依赖于AI算力的强大与否。

再则，每年上千亿元成交额，能够保证及时付款成功，AI算力也是功不可没。

……

最后，回到最初的那个问题：

中国出的这套「AI试卷」，即ALPerf，英伟达、谷歌等老牌算力大厂又会有怎样的表现？