（原标题：GPU的替代者巨牛盈，LPU是什么？）
公众号记得加星标，第一时间看推送不会错过。
来源：内容来自groq，谢谢。
Moonshot 的 Kimi K2 最近在GroqCloud上发布了预览版，开发人员不断问我们：Groq 如何如此快速地运行 1 万亿参数模型？
传统硬件迫使人们做出选择：要么更快的推理速度，但质量会下降；要么更精确的推理速度，但延迟令人无法接受。这种权衡之所以存在，是因为 GPU 架构会针对训练工作负载进行优化。而 LPU——专为推理而设计的硬件——在保持质量的同时，消除了造成延迟的架构瓶颈。
无需权衡的准确性：TruePoint Numerics
传统加速器通过激进的量化来实现速度，迫使模型进入 INT8 或更低精度的数值，这会在整个计算管道中引入累积误差并导致质量损失。
我们使用 TruePoint 数值技术，改变了这一现状。TruePoint 是一种仅在不降低准确度的区域降低精度的方法。结合我们的 LPU 架构，这种方法能够在保持高精度数值的同时保持质量。TruePoint 格式存储 100 位中间累积——足够的范围和精度，无论输入位宽如何，都能保证无损累积。这意味着我们可以以较低的精度存储权重和激活函数，同时以全精度执行所有矩阵运算，然后根据下游误差敏感度选择性地量化输出。
我们的编译器策略性地应用精度：
FP32 用于 1 位错误传播的注意逻辑
混合专家 (MoE) 权重的块浮点，其中稳健性研究表明没有可测量的退化
容错层中激活的 FP8 存储巨牛盈
这种控制水平使速度比 BF16 提升了 2-4 倍，并且在 MMLU 和 HumanEval 等基准测试中准确率没有明显损失。随着 AI 推理和硬件需求的指数级增长，业界正在效仿 MXfp4 等格式，以减少模型占用空间。我们并非为了速度而牺牲质量，而是消除了导致这种权衡的架构限制。
内存架构：SRAM 作为主存储器
传统加速器沿用了专为训练设计的内存层级结构：DRAM 和 HBM 作为主存储，并配备复杂的缓存系统。DRAM 和 HBM 都会在每次权重提取时引入显著的延迟——每次访问数百纳秒。这适用于时间局部性可预测且运算强度较高的高批量训练，但推理需要按顺序执行层，运算强度要低得多，这暴露了 DRAM 和 HBM 带来的延迟损失。
LPU 集成了数百兆片上 SRAM 作为主权重存储器（而非缓存），从而显著降低了访问延迟。这种设计允许计算单元全速加载权重，通过将单层拆分到多个芯片上来实现张量并行。这对于快速、可扩展的推理而言，具有实际优势。
执行模型：静态调度
GPU 架构依赖于动态调度——硬件队列、运行时仲裁以及引入非确定性延迟的软件内核。在集体运算过程中，数百个核心必须同步激活张量，任何延迟都会影响整个系统。
我们的编译器预先计算整个执行图，包括芯片间通信模式，直至单个时钟周期。这种静态调度可以消除：
缓存一致性协议
重新排序缓冲区
推测执行开销巨牛盈
运行时协调延迟
确定性执行可以实现动态调度系统上无法实现的两项关键优化：
无尾延迟的张量并行：每一层分布在多个芯片上，保证同步，消除困扰 GPU 集体操作的延迟。
张量并行之上的流水线并行：第 N+1 层开始处理输入，而第 N 层继续计算，这是 GPU 难以实现的，因为存在动态调度和无法有效平衡流水线阶段的问题。
并行策略：延迟优化分布
数据并行通过运行多个模型实例来扩展吞吐量。GPU 可以通过数据并行实现良好的扩展性——在不同的输入上运行同一模型的多个副本。这可以提高吞吐量，但如果您正在等待单个响应，则无济于事。
张量并行通过将单个操作分布在多个处理器上来降低延迟。对于实时应用来说，张量并行是关键的优化。我们的 LPU 架构专为张量并行而构建。我们将每一层划分到多个 LPU 上，这样单次前向传递就能更快完成，而无需并行处理更多请求。正是这种架构选择，让 Moonshot AI 的 Kimi K2 尽管拥有数万亿的参数，却依然能够实时生成令牌。
推测解码：在张量并行硬件上执行
推测解码是一种使用较小、较快的“草稿”模型来预测未来令牌序列的技术，然后在较大的目标模型的单次批量前向传递中验证这些令牌。虽然这种方法可以提高速度，但在 GPU 等传统硬件上，验证步骤通常会受到内存带宽的限制，从而限制性能提升。
我们的 LPU 采用独特的架构设计，能够通过流水线并行更高效地处理推测性 token 批次的验证，从而加快这些验证步骤的处理速度，并支持每个流水线阶段接受多个 token（通常为 2-4 个）。结合利用张量并行的快速草稿模型，这为推理带来了复合性能提升。
软件调度网络：RealScale芯片到芯片互连
Groq 使用准同步芯片间协议来消除自然时钟漂移，并将数百个逻辑处理器 (LPU) 对齐，使其充当单个核心。这样，软件编译器就可以准确预测数据到达时间，以便开发人员进行时序推理。周期性软件同步可以调整基于晶体的漂移，不仅支持计算调度，还支持网络调度。这使得 Groq 能够像单核超级集群一样运行，从编译器开始，从而避免了传统架构中存在的复杂协调问题。
基准测试：Groq 的表现如何
我们非常重视模型质量。昨天，我们发布了 OpenBench——一个与提供商无关的、面向 LLM 的开放评估框架。我们在 Groq 和基于 GPU 的 API 提供商上，在 Kimi-K2-Instruct 上运行了 OpenBench 0.1.1 的 MMLU 实现，您可以看到准确率得分很高——这充分展现了 Groq 堆栈的强大功能。了解更多关于 OpenBench 的信息，并亲自复现这些基准测试。
底线
Groq 绝不敷衍了事。我们从零开始构建推理，力求速度、规模、可靠性和成本效益。正因如此，我们才能在短短 72 小时内让 Kimi K2 的性能提升 40 倍。我们于 2019 年推出的第一代 LPU，采用 14nm 制程工艺，实现了如此优异的运行效果。我们高度重视开发者的反馈和实际性能，并结合行业领先的设计和严格的技术基准，致力于提供极致的 AI 推理体验。我们将继续加速硬件和软件的开发，使开发者能够专注于他们最擅长的事情：快速构建。
https://groq.com/blog/inside-the-lpu-deconstructing-groq-speed
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
今天是《半导体行业观察》为您分享的第4114期内容，欢迎关注。
加星标第一时间看推送，小号防走丢
求推荐
美港通证券提示：文章来自网络，不代表本站观点。
