| |
|
|
| 首页 淘股吧 股票涨跌实时统计 涨停板选股 股票入门 股票书籍 股票问答 分时图选股 跌停板选股 K线图选股 成交量选股 [平安银行] |
| 股市论谈 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 商业财经 科技知识 汽车百科 工程技术 自然科学 家居生活 设计艺术 财经视频 游戏-- |
| 天天财汇 -> 科技知识 -> 英伟达发布最强 AI 芯片 B200，性能提升 30 倍，该产品有哪些特性？对 AI 领域意味着什么？ -> 正文阅读 |
|
|
[科技知识]英伟达发布最强 AI 芯片 B200，性能提升 30 倍，该产品有哪些特性？对 AI 领域意味着什么？ |
| [收藏本文] 【下载本文】 |
|
NVIDIA 表示，新的 B200 GPU 拥有 2080 亿个晶体管，可提供高达 20petaflops 的 FP4 算力，而 GB200 将两个 … |
|
LLM任务可能要告别16bit浮点数做矩阵乘法计算的时代了。 Blackwell架构的Tensor Core支持FP4，可以让MoE模型的训练和推理受益。 To supercharge inference of MoE models, Blackwell Tensor Cores add new precisions, including new community-defined microscaling formats, giving high accuracy and ease of replacement for larger precisions. The Blackwell Transformer Engine utilizes fine-grain scaling techniques called micro-tensor scaling, to optimize performance and accuracy enabling 4-bit floating point (FP4) AI. This doubles the performance and size of next-generation models that memory can support while maintaining high accuracy. 这里提到的microscaling format应该是如下论文提出的方法，作者来自微软、AMD、英特尔、Meta、NVIDIA和高通，说明这个格式已经在业界形成了一定共识。之前FP8对整个Tensor进行统一scale，但是Tensor level Scaling被证明对于低于8bit的格式来说是不够的，因为这些格式的动态范围有限。所以缩放粒度要下降到更小的的sub-blocks of tensors，也就是Microscaling Data Formats。 Microscaling Data Formats for Deep Learning 另外，跨机的集合通信也可以用SHARP协议支持FP8。 The NVIDIA NVLink Switch Chip enables 130TB/s of GPU bandwidth in one 72-GPU NVLink domain (NVL72) and delivers 4X bandwidth efficiency with NVIDIA Scalable Hierarchical Aggregation and Reduction Protocol (SHARP)? FP8 support. The NVIDIA NVLink Switch Chip supports clusters beyond a single server at the same impressive 1.8TB/s interconnect. Multi-server clusters with NVLink scale GPU communications in balance with the increased computing, so NVL72 can support 9X the GPU throughput than a single eight-GPU system. 使用FP8梯度来做通信，这个之前MSRA的人已经做了一些验证。 Transformer Engine 2.0会支持FP4，期待一下第一个用FP4训练出来的MoE大模型。 评论区有人指出参数还是存储成高精度的。这里在补充一下混合精度训练概念：矩阵乘法的计算虽然用低精度数据格式完成，但是梯度计算结果会累加到高精度的参数上，有的非矩阵乘法计算还是会用高精度。具体细节可以参考我上面的知乎文章。 |
|
Blackwell B200 GPU，是如今世界上最强大的AI芯片，旨在「普惠万亿参数的AI」。 |
|
|
本来，H100已经使英伟达成为价值数万亿美元的公司，赶超了谷歌和亚马逊，但现在，凭着Blackwell B200和GB200，英伟达的领先优势还要继续领先。 老黄表示——「H100很好，但我们需要更大的GPU」！ 新的B200 GPU，从2080亿个晶体管中能提供高达20 petaflops的FP4性能。（H100仅为4 petaflops） 而将两个B200与单个Grace CPU相结合的GB200，则可以为LLM推理工作负载提供30倍的性能，同时大大提高效率。 比起H100，GB200的成本和能耗降低了25倍！ |
|
|
Blackwell芯片和Hopper H100芯片的尺寸比较 这种额外的处理能力，就能让AI公司训练更大、更复杂的模型，甚至可以部署一个27万亿参数的模型。 更大的参数，更多的数据，未来的AI模型，无疑会解锁更多新功能，涌现出更多新的能力。 现在，老黄拿在手里的，或许是100亿美元。 |
|
|
新一代性能巨兽，深夜重磅登场 凭借H100成为全球市值第三大公司的英伟达，今天再次推出了性能野兽——Blackwell B200 GPU和GB200「超级芯片」。 |
|
|
它以著名数学家David Blackwell（1919-2010）命名。他一生中对博弈论、概率论做出了重要的贡献。 |
|
|
老黄表示，「30年来，我们一直在追求加速计算，目标是实现深度学习和AI等变革性突破。生成式AI已然成为我们这个时代的标志性技术，而Blackwell将是推动这场新工业革命的引擎」。 「我们认为这是个完美的博弈概率」。 全新B200 GPU拥有2080亿个晶体管，采用台积电4NP工艺节点，提供高达20 petaflops FP4的算力。 与H100相比，B200的晶体管数量是其（800亿）2倍多。而单个H100最多提供4 petaflops算力，直接实现了5倍性能提升。 |
|
|
而GB200是将2个Blackwell GPU和1个Grace CPU结合在一起，能够为LLM推理工作负载提供30倍性能，同时还可以大大提高效率。 |
|
|
值得一提的是，与H100相比，它的成本和能耗「最多可降低25倍」。 过去，训练一个1.8万亿参数的模型，需要8000个Hopper GPU和15MW的电力。 |
|
|
如今，2000个Blackwell GPU就能完成这项工作，耗电量仅为4MW。 在GPT-3（1750亿参数）大模型基准测试中，GB200的性能是H100的7倍，训练速度是H100的4倍。 |
|
|
GB200由2个GPU、1个CPU、一个主板组成 全新芯片其中一个关键改进是，采用了第二代Transformer引擎。 对每个神经元使用4位（20 petaflops FP4）而不是8位，直接将算力、带宽和模型参数规模提高了一倍。 与此同时，英伟达还推出了第五代NVLink网络技术。 最新的NVLink迭代增强了数万亿参数AI模型的性能，提供了突破性的每GPU双向吞吐量，促进了无缝高速通信。 |
|
|
这也就是第二个关键区别，只有当你连接大量这些GPU时才会出现：新一代NVLink交换机可以让576个GPU相互通信，双向带宽高达1.8TB/秒。 这就要求英伟达打造一个全新的网络交换芯片，其中包含500亿个晶体管和一些自己的板载计算：拥有3.6 teraflops FP8处理能力。 在此之前，由16个GPU组成的集群，有60%的时间用于相互通信，只有40%的时间用于实际计算。 |
|
|
英伟达正在用Blackwell增加FP4和FP6 另外，Blackwell还配备了RAS引擎。 为了确保可靠性、可用性和可维护性，Blackwell GPU集成了专用引擎和基于AI的预防性维护功能，以最大限度地延长系统正常运行时间并最大限度地降低运营成本。 老黄表示，「过去8年，计算规模扩展已经增加了1000倍」。 |
|
|
网友：新的摩尔定律诞生了！ 网友们纷纷惊叹，Blackwell再一次改变了摩尔定律。 英伟达高级科学家Jim Fan表示：Blackwell，城里的新野兽。 - DGX Grace-Blackwell GB200：单机架计算能力超过1 Exaflop。 - 从这个角度来看：老黄交付给OpenAI的第一台DGX是0.17 Petaflops。 - GPT-4-1.8T参数在2000张Blackwell上可在90天内完成训练。 新摩尔定律诞生了。 |
|
|
贾扬清回忆道，「我记得在Meta，当我们在一小时内（2017年）训练ImageNet时，总计算量约为1exaflop。这意味着有了新的DGX，理论上你可以在一秒钟内训练ImageNet」。 |
|
|
还有网友表示，「这简直就是野兽，比H100强太多」。 |
|
|
另有网友戏称，「老黄有效确认GPT4是1.8万亿参数」。 |
|
|
所以，GB200的成本是多少呢？英伟达目前并没有公布。 此前据分析师估计，英伟达基于Hopper的H100芯片，每颗的成本在25,000美元到40,000美元之间，整个系统的成本高达200,000美元。 而GB200的成本，只可能更高。 新超算可训万亿参数大模型 当然，有了Blackwell超级芯片，当然还会有Blackwell组成的DGX超算。 这样，公司就会大量购入这些GPU，并将它们封装在更大的设计中。 GB200 NVL72是将36个Grace CPU和72个Blackwell GPU集成到一个液冷机架中，可实现总计720 petaflops的AI训练性能，或是1,440 petaflops（1.4 exaflops）的推理性能。 它内部共有5000条独立电缆，长度近两英里。 |
|
|
它的背面效果如下图所示。 |
|
|
机架中的每个托盘包含两个GB200芯片，或两个NVLink交换机。一共有18个GB200芯片托盘，9个NVLink交换机托盘有。 老黄现场表示，「一个GB200 NVL72机架可以训练27万亿参数的模型」。 此前传言称，GPT-4的参数规模达1.8万亿，相当于能训练15个这样的模型。 |
|
|
与H100相比，对于大模型推理工作负载，GB200超级芯片提供高达30倍的性能提升。 |
|
|
那么，由8个系统组合在一起的就是DGX GB200。 总共有288个Grace CPU、576个Blackwell GPU、240 TB内存和11.5 exaflop FP4计算。 |
|
|
这一系统可以扩展到数万个GB200超级芯片，通过Quantum-X800 InfiniBand（最多144个连接）或Spectrum-X800ethernet（最多64个连接）与800Gbps网络连接在一起。 |
|
|
配备DGX GB200系统的全新DGX SuperPod采用统一的计算架构。 除了第五代NVIDIA NVLink，该架构还包括NVIDIA Bluefield-3 DPU，并将支持Quantum-X800 InfiniBand网络。 这种架构可以为平台中的每个GPU提供高达每秒1,800 GB的带宽。 除此之外，英伟达还发布了统一的超算平台DGX B200，用于AI模型训练、微调和推理。 它包括8个Blackwell GPU和2个第五代Intel Xeon处理器，包含FP4精度功能，提供高达144 petaflops的AI性能、1.4TB的GPU内存和64TB/s的内存带宽。 这使得万亿参数模型的实时推理速度，比上一代产品提高了15倍。 用户还可以使用DGX B200系统构建DGX SuperPOD，创建人工智能卓越中心，为运行多种不同工作的大型开发团队提供动力。 目前，亚马逊、谷歌、微软已经成为最新芯片超算的首批用户。 亚马逊网络服务，将建立一个拥有20,000 GB200芯片的服务器集群。 |
|
|
「不是一个芯片，更像一个平台」 自从ChatGPT于2022年底掀起AI热潮以来，英伟达的股价已经上涨了五倍之多，总销售额增长了两倍多。 因为英伟达的GPU对于训练和部署大型AI模型至关重要，微软、Meta等大公司都已纷纷豪掷数十亿购买。 如今各大公司和软件制造商还在争先恐后地抢购Hopper H100等芯片呢，GB200就已经出了。 老黄表示，Blackwell不是一个芯片，而是一个平台的名称。 从此，英伟达不再是芯片供应商，而更像是微软、苹果这样的平台提供商，可以让其他公司在平台上构建软件。 英伟达副总裁Manuvir Das表示，GPU是可销售的商业产品，而软件，是为了帮人们用不同的方式使用GPU。 虽然英伟达现在仍然售卖GPU，但真正不同的是，英伟达现在有了商业软件业务。 |
|
|
新软件NIM，代表着英伟达的推理微服务。 NIM使得在英伟达的任何GPU上运行程序都变得更容易，即使是可能更适合部署但不适合构建AI的旧GPU。 也就是说，假如一名开发者有一个有趣的模型，希望向人们推广，就可以把它放到NIM中。英伟达会确保它可以在所有的GPU上运行，这样模型的受众就大大扩展了。 NIM使得部署AI变得更容易，这就更加增加了客户使用英伟达芯片的粘性。 并且，与新AI模型的初始训练相比，NIM的推理需要更少的算力。 这样，想要运行自己AI模型的公司，就能运行自己的AI模型，而不是从OpenAI等公司购买对AI结果的访问权。 |
|
|
需要购买基于英伟达服务器的客户，需要注册Nvidia企业版，每个GPU每年需要花费4,500美元。 英伟达将与微软或Hugging Face等人工智能公司合作，确保他们的人工智能模型经过调整，可以在所有兼容的英伟达芯片上运行。 然后，使用NIM，开发者可以在自己的服务器或基于云的英伟达服务器上，高效运行模型，而无需冗长的配置过程。 Das介绍说，在自己调用OpenAI的代码中，他只替换了一行代码，就指向了NIM。 另外，NIM软件还将帮助AI在配备GPU的笔记本电脑上运行，而不是在云端的服务器上。 |
|
|
NIM支持跨多个领域的AI用例，包括LLMs、视觉语言模型（VLM）以及用于语音、图像、视频、3D、药物发现、医学成像等的模型。 AI API就是未来的软件。在未来，所有LLM都可以从云端获取，从云上下载，运行它的工作站。 终极生成式AI模型 而现在，整个行业都已经为Blackwell准备好了。 2012年，将一只小猫的图片输入，AlexNet识别后输出「cat」，让世界所有人为之震惊，并高呼这改变了一切。 |
|
|
而现在从三个字「cat」输出10 million 像素成为了可能。仅用了10年时间，我们就可以识别文本、图像、视频。 万物都皆可数字化。 |
|
|
网友表示，老黄向我们展示了GenAI的终极游戏：多模态输入——多模态输出。 「这是我们总有一天都会使用的最终模型。它可以获取任何模态并生成任何模态。同时，它还能在没有每个部件的情况下工作」。 |
|
|
数字化的目的是让所有的目标都能成为机器学习的目标，从而让它们都能被AI生成。 比如，数字孪生地球，可以很好地帮助我们了解全球气象气候的变化。 |
|
|
将基因、蛋白质、氨基酸数字化，可以让人类去理解生命的力量。 |
|
|
在大会接近尾声时，活动迎来了一个小高潮：Wall-E机器人也登台表演了。 |
|
|
而生成式AI的未来应用不仅于此。 现在，有了世界最强的处理器Blackwell，新一轮技术革命即将开启。 |
|
|
|
|
FP16 -> FP8 -> FP4 1-bit LLM is the future |
|
性能提升30倍，难怪有媒体说它是“AI核弹”！简单进行比较，单个B200的“算力”是它的前代产品H100的整整5倍。 |
|
|
B200芯片这是一款具有革命性的高性能计算产品，这个硬件性能的提升太及时了，要知道就在近日，来自MIT FutureTech的研究人员发表了一项关于大模型能力增长速度的研究。 该研究结果表明，大型语言模型（LLM）的能力以惊人的速度增长，大约每8个月翻倍，这一增速远超传统的摩尔定律预测。 由于LLM的能力提升在很大程度上依赖于算力的增强，而摩尔定律代表着硬件算力的发展，也就是说，随着时间的推移，终有一天人类的硬件设备，将无法满足LLM所需要的算力。 然而，令人没想到的是，才过几天，英伟达的最新B200芯片就以其卓越的性能，特别是在处理大型模型方面的算力，展现出了比LLM能力增长更快的硬件提升速度。 |
|
|
这一突破性的进展不仅满足了当前LLM对算力的迫切需求，还为未来更复杂模型的运行，提供了坚实的硬件基础。 B200芯片的推出，无疑是对目前大模型算力需求快速增长的回应，这也确保AI技术能够在满足基本硬件条件的情况下持续发展，不受算力限制的束缚。 性能的提升 B200芯片拥有2080亿个晶体管，这一数字是上一代H100芯片的两倍多。晶体管数量的增加直接关联到芯片处理能力和效率的提升。 |
|
|
与用于推理的相同数量的H100 Tensor Core GPU相比，全新的GB200 NVL机架级系统具有36个Grace Blackwell超级芯片，性能提高了30倍。 这意味着一台服务器的AI推理能力相当于一个超级计算机，极大地加速了AI技术在实际应用中的部署和运行。 对AI领域的意义 硬件的提升，带来的必然是更多的可能性。 在未来五年的时间内，我们预计将进入一个全新的信息处理时代，其中文本、图像、视频和语音等多种形式的数据，也许都能够实时输入到大语言模型（LLM）中。 计算机就能够直接接入所有信息源，并通过多模态交互不断地进行自我学习和改进。 而这，需要的就是巨量的算力。 |
|
|
只要能投入足够的计算资源，在所有的数据都被加载进大语言模型（LLM）后，构建超越人类智能的通用人工智能（AGI）就可能实现。 在不远的未来，我们可能只需使用简单的自然语言，就能与计算机进行有效沟通，并且实现我们想要的各种需求。 生成式AI在未来可能会演变为一种宏观世界层面的操作系统。 未来是创意的世界，只需要有足够的创意，人工智能就能够利用人类的历史积累智慧，想方设法把创意变为现实。 结语 硬件性能的提升，如果用人类来做类比，就好比我们拥有了一副能够适应更长时间工作需求的健康身体，以及一个反应更加迅速、思维更加敏捷的大脑。 这个身体不仅能够承受更高强度的工作压力，还能在面对复杂问题时迅速做出决策和响应。 正如一个经过良好训练的运动员，才能够在竞技场上展现出更加超凡的耐力和速度，英伟达B200芯片的推出，为AI领域带来了类似的飞跃。 |
|
|
在AI的世界里，芯片性能的提升，意味着计算机能够更快地处理和分析大量数据，更有效地训练复杂的机器学习模型，以及更实时地响应不断变化的计算需求。 这种硬件上的突破，为AI技术的发展打开了新的可能性，使得我们能够更加自信地迈向未来，探索那些曾经因为算力限制而难以触及的领域。 正如一个健康的身体是实现个人潜能的基础，强大的硬件性能也是推动AI技术进步和创新的基石。 随着高性能硬件的涌现，我们可以期待AI在未来将如何改变世界。 我是德里克文，一个对AI绘画，人工智能有强烈兴趣，从业多年的设计师！如果对我的文章内容感兴趣，请帮忙关注点赞收藏，谢谢！ |
|
在各种IT巨头纷纷下单之余，他们未来的命运我不好揣测。 但是我知道的是，卖金铲子的皮衣老黄的确是赚麻了！！ |
|
|
嘿嘿嘿 |
|
|
| [收藏本文] 【下载本文】 |
| 上一篇文章 下一篇文章 查看所有文章 |
|
|
|
| 股票涨跌实时统计 涨停板选股 分时图选股 跌停板选股 K线图选股 成交量选股 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 网站联系: qq:121756557 email:121756557@qq.com 天天财汇 |