6139
AI运算最关键之处是存储而非AI处理器本身，AI运算90%的功耗和延迟都来自存储或者说都来自数据的搬运。90%的工况下，AI处理器都在等待存储系统搬运数据，而运算系统所需要的时间几乎是可以忽略的，所以存储系统的好坏实际决定了真实的算力大小，其中存储带宽基本可以等同于存储系统的好坏，也基本等同真实算力的高低。在Transformer时代，模型参数至少10亿以上，模型至少1GB大小，存储带宽也决定了能不能运行Transformer。此外，存储还决定了功耗，根据英特尔的研究表明，AI芯片（加速器）当半导体工艺达到 7nm 时，数据搬运功耗高达 35pJ/bit，占总功耗的63.7%。
常见芯片存储带宽统计
上表中单芯片最强的是AMD的MI300X，英伟达的H100 NVL是双系统并联。Mobileye的EyeQ5垫底，主要是因为其是2016年左右设计的，当时LPDDR4X的标准还未出台。数据中心或者说服务器级别的存储带宽有压倒性的优势，同样成本也是极高，现在HBM3每GB大约30-40美元（据说现在因为AI太火，且HBM3目前是SK hynix独家供应，产能有限，HBM价格涨了4-5倍，那就是120-200美元，应该不大可能，但是涨一倍还是有可能的）。
以AMD的MI300X为例，单单HBM的成本就达到5760-7680美元，这么高的价格在汽车领域是无法承受的。这也反向证明了存储带宽的重要性。HBM不仅带宽高，而且离运算单元的物理距离相比PCB板上的DRAM更近，存储到运算单元的传输时间就更短。
除了HBM，还有一种办法就是在芯片内部大量使用昂贵的SRAM，如特斯拉Dojo D1，354个核心440MB的SRAM，每MB的SRAM成本约15-20美元，仅此一项近9000美元。SRAM带宽大约800GB/s，不过SRAM容量太低，不太适合ChatGPT这样的大模型。Dojo D1的外围还是有32GB的HBM，但特斯拉的HBM带宽只有900GB/s。低带宽加上Dojo D1近似CPU的架构设计，注定其算力很低，但灵活性极高。
还有一点需要注意，上表中有些是纯AI芯片或GPU，类似于显卡，其内存就是显存。有些是SoC，其内存是与CPU共享的，共享DRAM自然不如单独显存带宽。对AI芯片或GPU来说，权重模型读出后就放在显存里，SoC的话，权重模型读出后放在共享DRAM里。再有，这些带宽都是理论带宽，实际利用效率要看内存控制器和物理层的效率，最高能到98%左右，低的话只有约90%。其次，带宽还因为与计算单元的物理距离再打折扣，芯片内部的SRAM基本可以做到理论带宽，HBM可能还有5%的缩水，PCB板上的可能有10-15%的缩水。
还有一点LPDDR5的带宽反而不如LPDDR4X，这是因为LPDDR5更注重速度，主要服务对象是CPU而非AI芯片。
AMD的MI300X在宣传时特别点出其使用192GB的HBM3（两侧的黑色大方块就是HBM3，总共8块，每块24GB），带宽高达5.2TB/s，Infinity Fabric存储（即CPU共享存储）带宽也高达896GB/s，并且强调MI300X存储带宽是英伟达H100的1.6倍。
为何存储系统决定了实际算力？
所谓人工智能AI推理部分，其运算量最大的部分是卷积运算，卷积运算分解到最底层就是输入视频序列（或语句序列等矩阵）矩阵与训练好的权重模型矩阵的乘积再累加偏值b。乘积运算所消耗的时间是纳秒级甚至皮秒级，典型Transformer的参数是1GB以上，内存带宽如果是34GB/s，那么仅每次读取模型就要消耗29毫秒，读取的同时还需要写入，与计算单元的速度相比差了千倍以上。这就是所谓的内存墙，算力数字游戏毫无意义，出现内存墙的原因是内存的带宽与后端计算单元的速度严重不匹配，而不是冯诺依曼架构特有的，哈佛架构一样会有；另外，内存的带宽和速度是完全不同的概念，速度的单位是MHz，比如2133MHz，指内存的响应速度，每秒有2133百万次响应，也是纳秒级。
与个人电脑系统一样，如今的车载计算系统也有硬盘，训练好的权重模型存在硬盘即eMMC或UFS里，UFS 4.0版本的接口带宽是23.2Gbps也就是2.9GB/s，远低于DRAM的带宽，连LPDDR3都不如，eMMC就更低了，只有400MB/s。目前电脑硬盘是M.2接口居多，M.2跑PCIe
4.0的话带宽是64GB/s。所以未来UFS会被M.2 SSD取代。
每次运算的时候，CPU发出指令，权重模型从UFS中被取出暂存在DRAM中，如果有显存的话，就放在显存里，通常显存比共享DRAM带宽要高得多，这样每次运算就无需从UFS中取出，这也是DRAM和显存存在的意义，它的速度比UFS快太多了。
来源：Winbond
上图可以看出模型参数飞速增长，而存储带宽增长的异常缓慢。即使在边缘端，YOLO V7的模型大小也有1.5GB大小（INT8），META的语义分割SAM有4GB大小。CNN时代模型参数一般不超过1000万，用INT8格式就是大约10MB大小，芯片内部的SRAM内存勉强可以装下，每MB的SRAM成本大约20-50美元，而Transformer时代，最小都有1GB，即便是特斯拉数据中心Dojo D1这样的芯片其SRAM总容量也不到0.5GB，芯片内部肯定放不下，只能通过外部的内存。
一个系统的存储带宽由两方面决定，一是存储器本身，二是运算芯片的内存通道数。以前作者本人都忽略了后者，犯了不少错误，向大家致以深深的歉意。内存通道数部分可以看成是内存位宽，不过也有例外。
来源：Meta
上图是Meta（FACEBOOK，FACEBOOK在AI界仅次于谷歌，领先微软，CAFFE2和PyTorch仅次于TensorFlow，FAIR也是成果众多，特斯拉的骨干网RegNet就来自FACEBOOK）的第一颗自研芯片MTIA V1，非常老实地标注102.4TOPS的算力，其采用LPDDR5内存，带宽176GB/s，内部采用了64GB的SRAM，带宽800GB/s。其算力较低主要原因是运算频率太低，仅有800MHz，再有就是外部带宽仅176GB/s。之所以频率低可能也是为了对应内存带宽，内存带宽不够，后面频率再高也没用。
看存储带宽也可以看存储器的Datasheet，比如特斯拉的第一代FSD用的存储是LPDDR4，型号是 MT53D512M32D2DS-046 AAT，容量为 16Gb，总共 8 片，I/O 频率2133MHz。
来源：美光
上面是MT53D512M32D2DS-046 AAT的DATASHEET，这是美光的芯片。美光几乎垄断汽车高端DRAM市场，市占率在90%以上，厂家明确指出单die的上限是8.5GB/s（这个已包含了DDR双通道），特斯拉这颗MT53D512M32D2DS-046 AAT是两个Die，即17GB/s，加上特斯拉第一代FSD的存储带宽是128bit，即双通道，就是34GB/s，有人认为两个FSD芯片，应该是68GB/s，不过每个芯片的总线位宽不变，两个芯片即使用PCIe连接，并不等同于存储系统增加了带宽。
来源：英伟达
英伟达官方资料，4个Orin并联，内存带宽还是204GB/s。
来源：特斯拉
上图是特斯拉AI日上展示的视觉架构，注意这仅仅是视觉特征提取与语义分割以及多头注意力，不包含特斯拉所谓的矢量空间转换（实际就是NeRF主导的BEV算法，加了道路模型），也不包含决策控制部分，根据特斯拉的介绍，其决策控制部分是蒙特卡洛树搜索算法。
这个视觉架构里实际不止一个Transformer，HydraNet的多任务也是用的Transfomer。除了Transfomer，RegNet和BiFPN的权重模型也不会太小，大概有0.5GB大小，如果要流畅地运行，读取权重模型的速度至少要做到每秒200次，那么存储带宽至少得400GB/s以上，600GB/s以上运行起来会比较流畅，第一代FSD的存储带宽只有34GB/s，根本做不到，即使翻倍也做不到。
所以特斯拉才在第二代FSD芯片选择了支持GDDR6，支持GDDR6需要几个条件，首先是要购买GDDR6物理层的IP；其次是要购买GDDR6的控制器IP；然后是PCB板可能需要增加层数或者用低介电常数材料；最后是CPU也要加强。第一代HW3.0即使换上GDDR6也是毫无作用，第一代FSD芯片只支持LPDDR4。需要指出目前没有车规级GDDR6，因为GDDR6本来是针对显卡市场开发的，没有考虑车载，特斯拉用的GDDR6是美光提供的D9PZR，当然也没过车规，它的最低工作温度下限是零度，而非车规级的是零下40度，不过特斯拉从来也不在乎车规。特斯拉不仅用了昂贵的GDDR6，容量相比HW3.0也增加了一倍，达到32GB，数量达到16片。
GDDR6最高带宽是672GB/s，也就是384位宽。目前还有GDDR6x，最高1008GB/s，追平HBM2，但由于物理距离远大于HBM，还是无法与HBM2相比。
来源：Cadence
想不到吧，存储第一大厂三星的GDDR6物理层是购买自CADENCE的，另外一家能供应GDDR6物理层的是RAMBUS，RAMBUS的主要收入来自存储物理层IP，每年也有大概1.4亿美元的收入。
随着权重模型的持续膨胀，存储成本会飞速增加，为了真正流畅运行大模型，单单存储方面就需要增加3000-5000美元的成本，这在汽车领域完全无法想象。
增加存储带宽也要加强CPU，这是因为GPU和AI芯片都是协处理器，也就是Device。CPU才是Host主机，GPU和AI芯片和鼠标键盘显示器打印机一样都算是外设，任务的分派和调度，数据流的控制以及数据的读取和写入均受CPU控制，上图就是CPU如何控制GPU工作的流程。数据首先是在CPU指令调度下才读取的，数据整形（如果AI芯片或GPU内部有标量运算单元也可以做）后再交给GPU，计算完后再传输给CPU写入内存。某些系统会有DMA（Direct Memory Access, 即直接存储器访问）如MCU，DMA是指无需经过CPU的直接存储，但需要经过数据总线，数据总线带宽未必有内存宽，DMA主要是缓解CPU的工作压力，因为MCU内部的CPU性能很弱。数据中心也有一些基于通讯协议的DMA，通常只用于数据中心的多显卡系统。
算力数字是浮云，唐代李白有诗句“总为浮云能蔽日，长安不见使人愁”，明白了存储带宽就不愁算力数字浮云，可以学王安石《登飞来峰》“飞来山上千寻塔，闻说鸡鸣见日升。不畏浮云遮望眼，自缘身在最高层”。
下载ECAD模型
