第290章 很多很多钱＆谁来都是弟弟~

    等女友拾掇好，品尝一番菠萝味的唇膏，两人这才晃晃悠悠下楼，赶往张江高科技园区，极光云总部。

    公司自研的专用a1加速卡，骄阳100，已经开始小规模部署。

    微光1明天才开售，閒来无事，洛川索性过来瞧瞧热闹，顺便和王建教授聊一聊，后续的研发路径。

    骄阳100，是基於risc-v开源架构，定製的专用硬体架构。

    並针对lst时序计算模块，以及transforr的自注意力並行计算单元，专门定製了硬体单元。

    如专门加速矩阵乘法、门控运算的电路等。

    这使得骄阳100，天生就適配这两种模型的计算逻辑。

    前者已经初步应用於语音识別、信息流內容推荐等领域。

    后者在学术界，已经有了基础理论，但还没形成完整的transforr模型概念。

    不过在洛先知的指引下，这两种架构，已经初步运用到了极光旗下的各个平台之中。

    当前，ai仍处於深度学习崛起初期。

    为数不多的玩家，基本都是通过fpga加速卡或cpu做ai加速，连gpu加速都刚起步。

    fpga加速卡，可简单理解为“万能积木电路板”。

    它的特点是，硬体电路不是固定死的，而是像积木一样，可以现场编程，通过软体临时“拼”出適合当前任务的电路。

    属於“样样通，样样松”。

    不过当前的ai模型，处於百齐放的阶段，没有统一標准。

    fpga加速卡可快速適配不同算法的特性，倒也算是契合当下的状態。

    而极光自研的“骄阳10o”，则像是“lsttransforr专属高速晶片”

    直接跳过了“通用可编程”的路线，牺牲部分通用性，换取这两种模型的极致效率。

    同样算力下，功耗更低，速度更快。

    比如，训练一个语言模型时，同样的数据量，骄阳100的速度比cpu快10倍以上，比fpga快5倍以上！

    且由於不需要像fpga那样“万能积木”式的通用电路，硬体更加精简，功耗至少可降低30%以上，大幅降低计算成本。

    之所以选择这种极端路线，是因为洛川清楚的知道，这两种模型，正是未来ai大模型的核心。

    transforr架构，更是大模型的核心底座！

    当然，初代產品的性能，不论是算力，还是能效比、內存带宽等，都还远远不足以支撑超大规模分布式训练，仍需继续优化叠代。

    不过倒是可以先搞一个“亿级参数模型”玩玩目前，他们已经在数据中心划出了独立集群，小规模部署骄阳100，適配极光云的特定业务，

    以验证算力卡的实际性能。

    如悠米视频的视频理解模型，悠米社区、极光微博的文本分类模型，微光基金的数据分析模型等等。

    等世博会那边谈妥之后，也会单独构建一个模型。

    而后针对实验中发现的问题，以及海量数据的反哺，持续优化选代。

    等稳定性和兼容性达標后，再向核心业务推广。

    如极光云的通用ai算力租赁、口袋钱包的数据分析等等。

    此外，还需要开发一套，类似於英伟达cuda的並行计算架构，以及专用的全流程工具链，兼容cuda代码迁移。

    並建立开发者社区，培育自家开放生態。

    至於下一步的升级选代路径，洛川也已经有了大致思路。

    即採用更先进的製程，提升算力密度的同时，引入存算一体架构。

    就相当於把计算单元和內存“粘在一起”，数据不用来回搬运，直接在內存里算，可有效解决模型的“內存墙”问题。

    如此一来，算力可瞬间提升数倍，功耗也大幅降低。

    同时还需开发“云-芯协同”协议，並进一步优化晶片间的高速互联协议，以实现千卡级集群的分布式训练。

    这之间，估计至少就需要3~5年的时间。

    之后再引入异构计算架构，集成专用ai单元+通用cpu核心。

    这种混合计算模式，有些类似於后世英伟达的安培架构。

    复杂任务由cpu调度，核心计算交给ai单元，兼顾效率和灵活性。

    同步开发chiplet封装技术，把多个小晶片，如算力单元、內存控制器等，像拼图一样封装在一起。

    算力升数倍，同时也降低了研发成本。

    再之后，继续沿著算力、带宽、通用性、生態的路径，持续叠代即可，逐步走向大模型时代，

    可以说是安排的明明白白王建教授算是有的忙了