大模型提速，抢走英伟达饭碗

今天一上班，又刷到国外一家公司整了个新活。

这家叫Groq的公司推出了一个聊天机器人页面，看起来比ChatGPT还要粗糙，页面上什么指示都没有，本来实在是提不起什么兴趣。

直到我看了下面这个演示视频。。。

很难想象，这是AI“生成”内容的速度，看起来和直接找到答案然后复制粘贴过来一样。

硅基君问GPT一个问题等他输入的空余还能回几条微信。。。

我们仔细观察上面的视频，可以发现在Groq测试中有一个在其他大模型网站一般不会显示的参数——325.68 T/s。

这一个参数也是Groq在推广页面中着重强调的，具体意思是大模型每秒可以计算多少tokens。

简单说一下tokens在大模型中是干什么的。在大模型训练、推理、生成的时候，会把文本切分成最小单元即token。比如你问chatgpt一个问题，chatgpt会先把你完整的话切成tokens再进行计算。当chatgpt回答的时候，也不是一下子全部输入出来，而是一个token一个token的蹦出来。

chatgpt是如何切分文本的，可以参考OpenAI的分词器网页。比如“希望老黄送我一张4090显卡玩扫雷”这句话，chatgpt就会把它切分成22个tokens。

https://platform.openai.com/tokenizer

据ArtificialAnalysis.ai的测评数据，Groq提供的Mixtral 8x7B 接口创下了新的大模型吞吐量记录，达到每秒430 Tokens。

当然，Groq到底有多快，还是要多方比较才能有个完整概念。在github有一个针对70B大模型在不同平台运行速度的测试。可以发现，无论是每秒生成tokens还是响应速度，Groq都是遥遥领先。

天下武功唯快不破，这个说法对大模型也同样适用。就在不久前，互联网上就出现针对chatgpt是不是变慢的讨论。有人说是OpenAI对免费用户进行限制，具体怎么回事硅基君也不清楚，但可以看出大模型生成的速度的确是用户的一个痛点。

可以想象一下，电商公司为了提高用户的体验，引入AI客服，同样的话术，秒回和隔个10几秒再回，用户的体验会天差地别。

类似的还有AI直播，AI写作等等。在大模型的落地应用环节，大模型生成速度一定很重要。

但实际上，Groq回答问题准确度实在堪忧，稍微复杂一点的问题基本都得不到正确答案，看起来就和那位最近爆火的胡言乱语大妈似的。

不过，人家Groq可不是卖大模型的，人家是卖AI芯片的。

简单来说，它们想宣传的点，是“用了我家的芯片，你的模型生成内容的速度也可以这么快。”

甚至直接喊话黄仁勋，这块芯片推理速度比英伟达的快10倍！

Groq自研的芯片称作LPU。

据官网所说，Groq是一家生成式AI解决方案公司，也是市场上最快的语言处理加速器LPU推理引擎的创建者。

它从头开始构建，可大规模实现低延迟、高能效和可重复的推理性能。客户依靠LPU推理引擎作为端到端解决方案，以10倍的速度运行大型语言模型 （LLM） 和其他生成式AI应用程序。

也就是说，任何模型在LPU上运行，在速度上都能获得提升。

为了推广自己的LPU，Groq甚至在官网上喊话AI界大佬Meta的扎克伯格和OpenAI的阿尔特曼。

在LPU的技术层面上，据官网介绍，它旨在克服两大LLM瓶颈：计算密度和内存带宽。

就LLM而言，LPU比GPU和CPU具有更高的计算能力。这减少了每个单词计算所需的时间，允许更快地生成文本序列。此外，消除外部内存瓶颈使得LPU推理引擎在LLM上的性能相比GPU有了数量级的提升。

根据twitter网友解释，LPU之所以比GPU快，主要原因在于它使用的存储技术和架构设计。

LPU使用SRAM（静态随机访问存储器），而不是GPU常用的HBM（高带宽内存）。SRAM的访问速度大约是HBM的20倍，这使得LPU在处理数据时能够更快地访问和处理数据此外，LPU采用的时间指令集计算机架构减少了对内存的重复访问需求，进一步提高了处理效率。

说人话，举个形象的例子就是：

把LPU和GPU比作两个厨师，LPU有一个高效的工具箱（SRAM），里面装着他需要的所有材料，他可以随手拿到任何东西，不需要走远路。而GPU的材料都在一个大仓库（HBM）里，每次需要材料时，都要跑到仓库去拿，这就花费了更多时间。即使仓库很大，能存很多材料（高带宽），但往返跑动的时间就使得整个烹饪过程变慢了。

SK海力士看到它说HBM不好用了岂不是着急死？

简单看完LPU的技术，Groq背后的团队来头也不小。

Groq不是横空出世，它成立的背后也有谷歌的影子（结合最近另一个热点sora，心疼一下谷歌）。

Groq是由谷歌前雇员Jonathan Ross创建的企业，在加州成立于2016年。Jonathan Ross也是谷歌TPU最早的团队成员。

TPU对于谷歌来说，基本上覆盖了它们的大部分算力需求。据悉，Google今天宣布的最强大、最通用的人工智能模型 Gemini是使用 TPU 进行训练和服务的。

回到模型本身，一般而言算力的变化只会影响模型推理的速度，但由于大模型的计算量不小，其小数位数不断优化后，可能会发生点变化。那么Groq的LPU与GPU相比，对大模型生成的质量会产生影响吗？

硅基君问了Groq上的Llama-2-70b和POE上的Llama-2-70b，同样一个问题“Introduce Elon Musk in 100 words”。

在速度上两个平台都差不多，结果上有略微不同，但基本上还算通顺。

目前Groq支持api接入，一共提供了3个模型，分别是Llama 2 70B、Llama 2 7B 和Mixtral 8x7B SMoE。价格上，Groq也是相当便宜，Llama 2 70B输入和输出价格分别为0.7$/1000k tokens 和 0.8$/1000k tokens。价格方面，Groq保证，一定低于市面上同等价格。

这几天，sora刷屏全网，但别的公司也没有闲着。谷歌发布了Genimi pro 1.5，支持1000K的上下文长度，把大模型的宽度拉长了不少。而Groq带来了LPU，把大模型的生成速度提高了10倍。

结合之前大模型在算力和规模上的改善，硅基君很期待大模型的继续进化。

参考资料：

[1]10倍英伟达GPU：大模型专用芯片一夜成名，来自谷歌TPU创业团队 | 机器之心

[2]可能是全球最快的大语言模型推理服务Groq：实测每秒500个tokens输出的450亿参数的Mixtral 8×7B模型 | DataLearner

[3]Groq技术新突破：Mixtral 8x7B模型实现每秒500个tokens的生成速度 | 思辨view

文章来自于微信公众号 “新硅NewGeek”(ID：XinguiNewgeek)，作者 “董道力”