處理器 最新 MLCommons 測試結果 突顯 Intel 在 AI 領域取得重大進展

[soothepain]

Habana Gaudi2和第4代Intel Xeon可擴充處理器
在AI訓練方面提供領先的效能和最佳的成本​

MLCommons於美國當地時間本月27日公布業界AI效能基準測試MLPerf Traning 3.0的結果，其中Habana® Gaudi®2深度學習加速器和第4代Intel® Xeon®可擴充處理器，均取得優異的訓練結果。

「MLCommons所公布的最新MLPerf結果，驗證了Intel Xeon處理器和Intel Gaudi深度學習加速器在AI領域帶給客戶的TCO（Total Cost of Ownership）價值。Xeon內建加速器是在通用處理器上執行大量AI工作負載的理想解決方案，Gaudi則在大型語言模型和生成式AI方面提供具競爭力的效能。英特爾的可擴展系統搭配最佳化、易於程式設計的開放式軟體，降低了客戶和合作夥伴於資料中心部署各類雲端到智慧邊緣AI解決方案的門檻。」

－Sandra Rivera，英特爾執行副總裁暨資料中心與AI事業群總經理

為何重要：業界傳聞生成式AI和大型語言模型（LLM）僅能在NVIDIA GPU上執行。新資料顯示，英特爾的AI解決方案產品組合，為希望擺脫限制效率和規模的封閉生態系的客戶，提供極具競爭力的選項。

最新的MLPerf Traning 3.0結果，突顯出英特爾產品在一系列深度學習模型上的效能。以Gaudi2為基礎的軟體和系統，其訓練成熟度在大型語言模型GPT-3上獲得大規模的證實。在僅有兩款提交GPT-3 LLM訓練基準測試效能結果的半導體解決方案當中，Gaudi2是其中之一。

Gaudi也為客戶提供極具競爭力的伺服器和系統成本優勢。該加速器在GPT-3、電腦視覺和自然語言模型上經過MLPerf驗證的效能，加上即將推出的軟體進展，讓Gaudi2相對於NVIDIA H100而言，在性價比上成為極具吸引力的選擇。

在CPU方面，搭載英特爾AI引擎的第4代Xeon處理器所展現出的深度學習訓練效能，讓客戶可以使用Xeon伺服器建構單一通用AI系統，用以資料預處理、模型訓練和部署，藉此提供AI效能、效率、準確性和可擴展性的正確組合。

Habana Gaudi2結果：訓練生成式AI和大型語言模型需要伺服器叢集來滿足大規模的運算需求，GPT-3是款具備1750億個參數的嚴苛模型，MLPerf結果確切驗證了Habana Gaudi2在GPT-3上的出色效能和高效擴展性。

成果亮點：

• Gaudi2在GPT-31上達成令人印象深刻的訓練時間：384個加速器的訓練時間為311分鐘。
• 在GPT-3模型上，從256個加速器增加至384個加速器的效能提升比例接近線性95％。
• 電腦視覺－ResNet-50 8個加速器、Unet3D 8個加速器、自然語言處理－BERT 8個和64個加速器均取得優異的訓練結果。
• 與去年11月提交的資料相較之下，BERT和ResNet模型的效能分別提升10％和4％，證明Gaudi2軟體日益成熟。
• Gaudi2採用「開箱即用」的方式提交結果，意味著客戶在本地或是雲端部署Gaudi2時，均可獲得相當的效能結果。

Gaudi2軟體成熟度：Gaudi平台的軟體支援日益成熟，並與流行、越來越多的生成式AI和LLM需求保持同步。

• Gaudi2的GPT-3提交結果使用PyTorch，並採用流行的DeepSpeed最佳化函式庫（大規模Microsoft AI的其中一部分），而非客製化軟體。DeepSpeed能夠同時支援3D並行（資料、張量、管線），進一步最佳化LLM的擴展效能效率。
• Gaudi2的3.0基準測試提交結果使用BF16資料類型。預計於2023年第三季推出FP8軟體支援和新功能時，Gaudi2的效能將有顯著提升。

第4代Xeon處理器結果：作為眾多替代解決方案中唯一提交結果的CPU，MLPerf的結果證明Intel Xeon處理器為企業提供開箱即用的能力，讓企業可以在通用系統上部署AI，並避免導入專用AI系統的成本與複雜性。

對於少數從頭開始間歇性訓練大型模型的客戶而言，他們可以使用通用CPU進行訓練，且往往是透過已部署於日常業務營運的英特爾伺服器。然而，大多數人將使用預先訓練好的模型，並使用他們自己的小型資料集進行微調。英特爾先前發表的結果表示，透過英特爾AI軟體和標準業界開放原始碼軟體，這種微調作業能夠在短短幾分鐘內完成。

MLPerf成果亮點：

• 在封閉分區，第4代Xeon可以分別在不到50分鐘（47.93分鐘）和不到90分鐘（88.17分鐘）的時間內，訓練BERT和ResNet-50模型。
• 對於開放分區的BERT，當擴展至16個節點時，結果顯示Xeon能夠在大約30分鐘（31.06分鐘）的時間訓練模型。
• 對於較大的RetinaNet模型，在16個節點上，Xeon能以232分鐘訓練完成，讓客戶可以靈活地在非尖峰時段運用Xeon訓練他們的模型，例如一個上午、午餐時間或是過夜進行。
• 具備Intel® Advanced Matrix Extensions（Intel® AMX）的第4代Xeon，提供顯著的開箱即用效能提升，並涵蓋多個框架、端到端資料科學工具和廣泛的智慧解決方案生態系。

MLPerf被普遍認為是最具信譽的AI效能基準測試，能夠在各款解決方案之間進行公平且可重現的效能比較。此外，英特爾已達成突破百次提交結果的里程碑，且仍然是唯一透過業界標準深度學習生態系軟體來提交公開CPU結果的供應商。

這些結果還另外突顯出，當使用具成本效益和容易取得的Intel Ethernet 800系列網路介面卡時，能夠達成優秀的擴展效能；這些網路介面卡使用以Intel oneAPI為基礎的開源Intel® Ethernet Fabric Suite Software。


更多內容：MLPerf v3.0訓練的效能指標（基準測試結果）| MLCommons宣布