本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。
以創造世界上最大加速器晶片CS-2 Wafer Scale Engine聞名的公司Cerebras昨日宣布他們已經在利用「巨芯」進行人工智慧訓練上走出了重要的一步。該公司訓練出了單晶片上全世界最大的NLP（自然語言處理）AI模型。
此模型具有20億個參數，並基於CS-2晶片進行訓練。這塊全世界最大的加速器晶片採用7nm製程工藝，由一整塊方形的晶圓蝕刻而成。它的大小數百倍於主流晶片，具有15KW的功率。它整合了2.6兆個7nm晶體管，封裝了850,000個核心和40GB記憶體。
圖1 CS-2 Wafer Scale Engine晶片
NLP模型的開發是人工智慧中的一個重要領域。利用NLP模型，人工智慧可以「理解」文字意義，並進行相應的動作。 OpenAI的DALL.E模型就是一個典型的NLP模型。這個模型可以將使用者的輸入的文字資訊轉換為圖片輸出。
例如當使用者輸入「酪梨形狀的扶手椅」後，AI就會自動產生若干與這句話對應的影像。
圖：AI接收訊息後產生的「酪梨形狀扶手椅」圖片
不止於此，該模型還能夠使AI理解物種、幾何、歷史時代等複雜的知識。
但要實現這一切並不容易，NLP模型的傳統開發具有極高的算力成本和技術門檻。
實際上，如果只討論數字，Cerebras開發的這一模型20億的參數量在同行的襯托下，顯得有些平平無奇。
前面提到的DALL.E模型具有120億個參數，而目前最大的模型是DeepMind於去年底推出的Gopher，具有2800億個參數。
但除去驚人的數字外，Cerebras開發的NLP還有一個巨大的突破：它降低了NLP模型的開發難度。
依照傳統流程，開發NLP模型需要開發者將巨大的NLP模型切分若干個功能部分，並將他們的工作負載分散到數百個圖形處理單元上。
數以千計的圖形處理單元對廠商來說意味著巨大的成本。
技術上的困難也同樣使廠商們痛苦不堪。
切分模型是一個客製化的問題，每個神經網路、每個GPU的規格、以及將他們連接（或互聯）在一起的網路都是獨一無二的，並且不能跨系統移植。
廠商必須在第一次訓練前將這些因素統統考慮清楚。
這項工作極為複雜，有時甚至需要幾個月的時間才能完成。
Cerebras表示這是NLP模型訓練中「最痛苦的方面之一」。只有極少數公司擁有開發NLP所必要的資源和專業知識。對於人工智慧產業中的其他公司而言，NLP的訓練則太昂貴、太耗時且無法使用。
但如果單一晶片就能夠支援20億個參數的模型，就意味著不需要使用海量的GPU分散訓練模型的工作量。這可以為廠商節省數千個GPU的訓練成本和相關的硬體、擴展要求。同時這也使廠商不必經歷切分模型並將其工作負載分配給數千個GPU的痛苦。
Cerebras也並非只執拗於數字，評價一個模型的好壞，參數的數量並不是唯一標準。
比起希望誕生於“巨芯”上的模型“努力”，Cerebras更希望的是模型“聰明”。
之所以Cerebras能夠在參數量上取得爆炸性成長，是因為利用了權重流技術。這項技術可以將計算和記憶體的佔用量解耦，並允許將記憶體擴展到足以儲存AI工作負載中增加的任何數量的參數。
由於這項突破，設定模型的時間從幾個月減少到了幾分鐘。並且開發者在GPT-J和GPT-Neo等型號之間「只需幾次按鍵」即可完成切換。這讓NLP的開發變得更簡單。
這使得NLP領域出現了新的變化。
正如Intersect360 Research 首席研究官Dan Olds 對Cerebras取得成就的評價：「Cerebras 能夠以具有成本效益、易於訪問的方式將大型語言模型帶給大眾，這為人工智能開闢了一個激動人心的新時代。
以上是世界超大AI晶片打破單設備訓練大模型記錄 ，Cerebras要「殺死」GPU的詳細內容。更多資訊請關注PHP中文網其他相關文章！
