現在不論是大模型本身，亦或是AI應用的更新速度簡直令人直呼跟不上——
Sora、Suno、Udio、Luma……重磅應用一個接一個問世。
也正如來自InfoQ的調查數據顯示的那般，雖然AIGC目前還處于起步階段，但市場規模已初具雛形：
行業整體迅速發展固然是好事，但具體到每個的應用或者大模型的落地來說，面臨的競爭也越發激烈了。
例如前不久各個大模型廠商之間展開的非常激烈的“價格戰”，主打一個比誰更便宜，甚至直接把大模型價格推向“厘時代”。
加上最近OpenAI的“斷供”事件，更是讓國內廠商們在打出“輕松搬家”計劃的同時，再加碼Tokens送送送的力度。
究其原因，也是與當下應用為王，尤其是以盡量低的成本把業務快速落地的這一大趨勢緊密相關。
那么問題來了，大模型玩家們何以在又快又好又省之間做到平衡？
這就回到了那個避不開，同時又是成本里占絕對大頭的因素——算力。
現在提及大模型的訓練和推理，很多人的第一反應或許就是想到了GPU。
誠然GPU在高性能上占據著一定的優勢，但它所存在“硬傷”也是比較明顯，那便是供應不足、價格昂貴。
何以破局？國產大模型第一梯隊玩家百度智能云千帆大模型平臺，就給出了自己的一個更具“效價比”的解法：
具體到算力的部署上，百度智能云AI與大模型平臺總經理忻舟認為：
一言蔽之，在大模型時代，CPU甚至比以往更加重要了，而且是能讓大模型和應用做到“快好省”落地的關鍵因素之一。
那么具體“上崗”效果又是如何，我們繼續往下看。
國產頭部大模型玩家，pick了CPU
國內AIGC應用爆發，這其中，百度智能云千帆大模型平臺功不可沒。
作為企業使用大模型的”一站式”服務平臺，千帆大模型平臺自去年3月發布以來已有超12萬客戶使用，累計調優模型2萬個，孵化應用4.2萬個。
這些應用覆蓋教育、金融、辦公、醫療等眾多場景，為行業數字化轉型提供了有力支撐。
在教育領域，千帆大模型平臺賦能了試題生成、在線批改、題目解析等應用，大大提升了教學和備考效率。
例如用戶可以提供參考材料，設定題型和難度，平臺就能自動生成高質量的試題。而交互式的題目解析，則可以針對每位學生的薄弱環節，提供個性化的學習指導。
在辦公場景，千帆大模型平臺與業內頭部企業合作，共同打造了智能寫作助手等創新應用，能夠根據用戶輸入的關鍵詞，快速生成招聘文案、營銷方案、數據報告等專業文檔。
還可以專注于各類寫作場景，可以智能生成論文大綱、項目匯報、品牌宣傳稿等，大大提升了行政和營銷人員的工作效率。
醫療健康是千帆大模型平臺的另一大應用賽道?；卺t療知識庫訓練的模型，可以自動生成體檢報告解讀，用通俗易懂的語言向用戶解釋各項指標，并給出個性化的健康指導。
這讓普通大眾也能更好地了解自己的身體狀況，實現”健康自主管理”。
可以看到，千帆大模型平臺在多個領域實現了AI模型的”最后一公里”落地。
那么千帆大模型平臺是怎么支撐如此多AI應用的呢？
答案是：讓CPU成為客戶的選擇之一，讓“效價比”的紅利普惠千行百業。
之所以如此，百度智能云所給出的解釋是：
至于效果，以Llama-2-7B為例，在第四代英特爾® 至強® 可擴展處理器上輸出 Token 吞吐可達 100 TPS 以上，相比第三代提升了60%。
△Llama-2-7b模型輸出Token吞吐
在低延遲的場景，同等并發下，第四代至強® 可擴展處理器的首Token時延比第三代至強® 可降低50%以上。
在將處理器升級為第五代至強® 可擴展處理器之后，較上代的吞吐可提升45%左右，首 Token 時延下降50%左右。
△Llama-2-7b模型首Token時延
并且千帆大模型平臺團隊根據實踐經驗還表示：
不僅如此，利用充足的CPU資源，降低對于AI加速卡的需求，從而降低 LLM 推理服務的總體擁有成本 (TCO)，特別是在離線的 LLM 推理場景中表現出色。
而且在千帆大模型平臺上，可不止是有自家的ERNIE，還有很多主流的大模型都集成于此。
這也在一定程度上從側面印證了第五代英特爾® 至強® 可擴展處理器在性能上的過關。
英特爾第五代至強，如何讓性能和效率變得Pro Max？
百度智能云千帆大模型平臺，不止需要大模型推理一種工作負載，它其實是一個覆蓋大模型全生命周期的平臺。
具體來說，千帆大模型平臺提供數據標注，模型訓練與評估，推理服務與應用集成的全面功能服務，以及快速應用編排與插件集成，助力大模型多場景落地應用。這樣一來，比起專為大模型推理部署專用加速器，充分利用平臺已廣泛部署的CPU資源，就是更劃算的選擇了。
對于千帆大模型平臺上存在的大量離線大模型應用需求來說，如生成文章總結、摘要、評估多個模型的效果等，這類需求對推理的時延要求其實不高，但內存容易成為瓶頸。
采用CPU來做，擴展內存更方便，還可以利用起平臺閑時的算力資源，進一步提高資源利用率，起到降低總擁有成本的作用。
在這個大背景下，第五代英特爾® 至強® 可擴展處理器中的性能密集型通用計算應用負載（類似P Core性能核）的設計就尤為關鍵了。
與E Core（能效核）相比，P Core采用了追求性能最大化的設計，能承載非常重的負載，同時還兼顧了AI推理加速。
采用此設計的第五代至強® 可擴展處理器，在兼顧AI推理加速這一點上可不是說說而已，而是軟硬件協同優化，各方面都考慮到位了。
硬件方面，英特爾® AMX（高級矩陣擴展）技術，正是為大模型推理重深度學習中大量的矩陣乘法運算專門優化的，可以理解成”CPU 里的 Tensor Core”。
有了英特爾® AMX，處理器每個時鐘周期可完成高達2048個INT8運算，比上一代AVX512_VNNI指令提升8倍之多。
更重要的是，英特爾® AMX加速器是內置在CPU核心里的，讓矩陣存儲和運算更近，這一特性應用在大模型推理上，能夠降低處理下一個Token的時延，讓終端用戶的體驗更好。
△英特爾® AMX 可以更高效的實現 AI 加速
軟件方面，百度智能云千帆大模型平臺已經引入了針對英特爾® 至強® 可擴展平臺深度優化的大模型推理軟件解決方案xFasterTransformer (xFT)，并將其作為后端推理引擎。主要優化策略如下：
充分利用 AMX/AVX512 等指令集，高效實現核心算子如 Flash Attention 等
采用低精度量化，降低數據訪存量，發揮 INT8/BF16 運算的優勢
支持超大規模模型的多機多卡并行推理
△英特爾® 至強® 可擴展處理器 LLM 推理軟件解決方案
最后還要補充的一點是，要知道選擇一種硬件平臺，不止關乎于設備本身的采購價格，還會影響到后續的維護成本，甚至人才儲備成本。
所以正如百度智能云所言，高性價比的算力基礎設施，與先進的大模型算法和平臺軟件相輔相成，讓上層的開發者們能夠更加平滑地應用，構建他們的業務，才能最大化云計算平臺的商業價值。
大模型時代，CPU大有可為
縱觀當下，大模型正從實驗室走向產業，從少數人的“玩具”變為大眾可用的“工具”。
這意味著，大模型服務不僅要有優秀的性能表現，還要做到價格親民、部署便捷。一言以蔽之，“快好省”成了大模型商業化的關鍵一環。
而要實現“快好省”，算力基礎設施的選擇至關重要。
傳統觀點認為，專用加速器才是AI的“標配”。但在供應緊張、成本高企的背景下，專用加速器的優勢正在減弱。
相比之下，優化良好的高端 CPU 不僅能提供足夠應對大模型推理的算力，而且具有更廣泛的部署基礎和更成熟的軟件生態、以及更好的安全保障，開始受到越來越多業界玩家的青睞。
以英特爾® 至強® 系列為代表的x86架構CPU，擁有成熟完善的軟件生態和廣泛的應用基礎。數以百萬計的開發者可以利用現有工具和框架，快速構建和優化AI應用，而無需額外學習專門的加速器軟件棧，大大降低了開發難度和遷移成本。
同時，企業級用戶還可以利用CPU內置的多層次安全技術，實現從硬件到軟件的全棧保護，充分保障數據安全和隱私。這些優勢，是當前專用加速器難以比擬的。
由此可見，充分利用CPU進行推理，讓AI從“燒錢游戲”變為“普惠科技”，正是AIGC產業應對算力門檻，推動規?；瘧寐涞氐年P鍵一招。未來，隨著技術創新和生態完善，這一模式還將為更多企業創造價值，為產業發展注入新的動力。
除了直接加速推理任務外，CPU在完整的端到端AI管線中還能高效完成數據預處理、特征工程等AI全流程中的關鍵步驟。而支持機器學習和圖分析的各類數據庫，也主要是構建在CPU之上的。以至強® 可擴展處理器為例，除了英特爾® AMX之外，還有諸如英特爾® 數據保護與壓縮加速技術（英特爾® QAT）、英特爾® 存內分析加速器（英特爾® IAA）等一系列數據分析引擎內置于處理器中，通過卸載特定任務使CPU得到更好的利用，從而提升工作負載整體性能，實現數據分析加速。
由此可見，構建“快、準、穩”的 AI 應用，既要靠專用加速器強大的算力，也離不開CPU超強的通用計算能力去釋放整個系統的潛力。
為了科普CPU在AI推理新時代的玩法，量子位開設了《最“in”AI》專欄，將從技術科普、行業案例、實戰優化等多個角度全面解讀。
我們希望通過這個專欄，讓更多的人了解CPU在AI推理加速，甚至是整個AI平臺或全流程加速上的實踐成果，重點就是如何更好地利用CPU來提升大模型應用的性能和效率。(量子位)
免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。
關鍵詞：
