2022年年底到2023年年初，由AI驱动的ChatGPT对话机器人、Midjourney文图生成等应用产品爆红。这些热门产品的广阔应用前景令人振奋，吸引了大量资源投入AI的算法研究、数据清洗、算力等方面的基础建设中。这些爆款应用是由大数据训练的大模型支撑的。举例来说，近年来，大语言模型的训练数据和模型的体量迅速增长，从2017年发布的有1.65亿参数量的Transformer，到2020年发布的有1 750亿参数量的GPT-3，再到2022年发布的ChatGPT应用背后的模型也有数百亿参数量。这样的训练数据和模型体量的增长带来了模型能力的提升，让大模型“涌现”出指令跟随、上下文学习等能力，展示出“通用”的生成能力。有目共睹的是，强大的算法能力伴随着巨大的算力需求和资源消耗，大模型的推理和训练算力需求随着模型体量的增长而增长。
在这个背景下，高效深度学习领域显得尤为关键，得到了广泛关注。高效深度学习方法通过对算法和系统的精心设计，使有限的算力发挥出更大的效用。高效深度学习里很重要的一个思路是模型压缩，即从模型结构、数据表示等多种维度将大的模型压小。深度压缩（Deep Compression）方法作为这一波AI浪潮中模型压缩的先驱工作，启发了非常多的后续研究。模型压缩技术发展到今天，已经形成较为成熟的方法论和工具链。
高效深度学习的另一个重要思路是，针对算法做软硬件的定制化设计。清华大学汪玉团队2015年就投入高效深度学习领域开展研究。由于FPGA的灵活性，汪玉团队选择了基于FPGA的加速器路径。2016年，汪玉团队在FPGA会议上发表题目为“Going Deeper with Embedded FPGA Platform for Convolutional Neural Network”的论文；2017年，汪玉团队在FPGA会议上发表题目为“ESE：Efficient Speech Recognition Engine with Sparse LSTM on FPGA”的论文，论文主要探讨了针对CNN和LSTM的FPGA加速器设计工作。除了基于FPGA的加速器设计路径，2016年，汪玉和谢源团队在ISCA会议上发表题目为“PRIME：A Novel Processing-in-memory Architecture for Neural Network Computation in ReRAM-based Main Memory”的论文，该论文总结了基于新兴的存内计算范式的加速器设计工作。在过去十年的发展中，定制化架构设计将AI负载的处理能效提升了5个数量级。
结合上述模型压缩和软硬件定制化设计（编译优化、硬件设计）的思路，汪玉团队于2018年在TCAD杂志上发表题目为“Angel-Eye：A Complete Design Flow for Mapping CNN ontoEmbedded FPGA”的论文，该论文总结了“软硬件协同设计”的范式。幸运的是，这些工作在学术界和工业界都产生了一定的影响力。基于这些技术，笔者团队孵化了深鉴科技有限公司。2018年年末，深鉴科技被可重构计算领域的龙头企业赛灵思收购，推动了FPGA深度学习加速器的产业化。2023年，随着“大模型”的风靡，高效深度学习领域再次受到极大的关注。汪玉创立了无问芯穹智能科技有限公司，致力于提供通用人工智能（Artificial General Intelligence，AGI）算力解决方案。近期，汪玉团队在“高效大模型”推理方向做了一系列新工作，包括“Skeleton-of-Thought：Large Language Models Can Do Parallel Decoding”的高效算法设计工作、“FlashDecoding ：Faster Large Language Model Inference on GPUs”的GPU软件算子设计工作，以及“FlightLLM：Efficient Large Language Model Inference with a Complete Mapping Flow on FPGAs”的FPGA 硬件加速器设计工作等。同时，笔者团队将在高效深度学习方法论上的认知总结为本书，希望通过本书的出版帮助对这个领域感兴趣的读者，推动领域的发展。
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
