在 Transformer 和其他大型语言模型 (LLM) 的引领下，软件算法取得了快速进展，而负责执行它们的处理硬件却被抛在了后面。即使是最先进的算法处理器也不具备在一两秒的时间范围内详细阐述最新 ChatGPT 查询所需的性能。
为了弥补性能不足，领先的半导体公司构建了由大量最好的硬件处理器组成的系统。在此过程中，他们权衡了功耗、带宽/延迟和成本。该方法适用于算法训练，但不适用于部署在边缘设备上的推理。
相当不同的是推理过程。推理通常在 fp8 算法上执行，该算法仍会产生大量数据，但需要关键的延迟、低能耗和低成本。
模型训练的解决方案来自于计算场。它们运行数天，使用大量电力，产生大量热量，并且获取、安装、操作和维护成本高昂。更糟糕的是推理过程，碰壁并阻碍了 GenAI 在边缘设备上的扩散。
- petaflops 范围内的高处理能力和高效率（超过 50%）
- 低延迟，可在几秒钟内提供查询响应
- 能耗限制在 50W/Petaflops 或以下
- 成本实惠，与边缘应用兼容
- 现场可编程性可适应软件更新或升级，以避免工厂进行硬件改造
完美的设备将是定制/可编程片上系统 (SoC)，旨在执行基于变压器的算法以及其他类型算法的发展。它应该支持合适的内存容量来存储法学硕士中嵌入的大量数据，并且应该可编程以适应现场升级。
有两个障碍阻碍了这一目标的实现：内存墙和 CMOS 器件的高能耗。
随着时间的推移，两者之间的差距不断扩大，迫使处理器等待内存传送数据的时间越来越长。结果是处理器效率从完全 100% 利用率下降（图 1）。
GenAI 加速器是以数据移动为主导的设计的典型例子。
几年之内，为 ChatGPT 提供支持的基础模型 GPT 从 2019 年的 GPT-2 发展到 2020 年的 GPT-3，再到 2022 年的 GPT-3.5，再到目前的 GPT-4。每一代模型的大小和参数（weights, tokens和states）的数量都增加了几个数量级。
GPT-2 包含 15 亿个参数，GPT-3 模型包含 1750 亿个参数，最新的 GPT-4 模型将参数规模推至约 1.7 万亿个参数（尚未发布官方数字）。
这些参数的庞大数量不仅迫使内存容量达到 TB 范围，而且在训练/推理过程中同时高速访问它们也会将内存带宽推至数百 GB/秒（如果不是 TB/秒）。为了进一步加剧这种情况，移动它们会消耗大量的能量。
执行效率越低，执行相同任务所需的硬件就越多。例如，假设 1 Petaflops（1,000 Teraflops）的要求可以由两个供应商满足。供应商（A 和 B）提供不同的处理效率，分别为 5% 和 50%（表 2）。
那么供应商 A 只能提供 50 Teraflops 的有效处理能力，而不是理论处理能力。供应商 B 将提供 500 Teraflops。为了提供 1 petaflop 的有效计算能力，供应商 A 需要 20 个处理器，但供应商 B 只需 2 个。
考虑到 GPT-4 包括 96 个解码器，将它们映射到多个芯片上可能会减轻对延迟的影响。由于 GPT 结构允许顺序处理，因此为总共 96 个芯片为每个芯片分配一个解码器可能是一种合理的设置。
该配置可转换为 12 个 HGX/DGX H100 系统，不仅对单芯片之间、电路板之间和系统之间移动数据带来的延迟提出挑战。使用增量变压器可以显着降低处理复杂性，但它需要状态的处理和存储，这反过来又增加了要处理的数据量。
底线是，前面提到的 3% 的实施效率是不现实的。当加上系统实现的影响以及相关的较长延迟时，实际应用程序中的实际效率将显着下降。
综合来看，GPT-3.5所需的数据量远不及GPT-4。从商业角度来看，使用类似 GPT-3 的复杂性比 GPT-4 更具吸引力。另一方面是 GPT-4 更准确，如果可以解决硬件挑战，它会成为首选。
使用当前最先进的硬件，可以合理地假设总拥有成本（包括购置成本、系统运营和维护成本）约为 1 万亿美元。据记录，这大约相当于世界第八大经济体意大利 2021 年国内生产总值 (GDP) 的一半。
ChatGPT 对每次查询成本的影响使其在商业上具有挑战性。摩根士丹利估计，2022 年 Google 搜索查询（3.3 万亿次查询）的每次查询成本为 0.2 英镑（被视为基准）。同一分析表明，ChatGPT-3 上的每次查询成本在 3 到 14 欧元之间，比基准高 15-70 倍。
半导体行业正在积极寻找应对成本/查询挑战的解决方案。尽管所有尝试都受到欢迎，但解决方案必须来自新颖的芯片架构，该架构将打破内存墙并大幅降低功耗。
