★深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、生成式AI、人工智能、大數(shù)據(jù)、高性能計(jì)算、ASIC、大模型訓(xùn)練、盤古大模型、CPU、GPU、L40S服務(wù)器、華為、英偉達(dá)、A100、H100、A800、H800、穩(wěn)態(tài)微聚束、SSMB、清華 SSMB-EUV 光源、非線性動力學(xué)、AI芯片、ChatGPT、Transformer、自監(jiān)督訓(xùn)練、高算力芯片、高粘性 CUDA、Graphcore、Habana、Cerebras、SambaNov、寒武紀(jì)、FPGA、Grace CPU、Hopper GPU、GH200、 SIGGRAPH 、HBM3e、MI300A、MI300X、Infinity Fabric、TPU、AWS、Inferentia、Trainium、Alexa、Meta、MTIA

隨著人工智能、大數(shù)據(jù)、高性能計(jì)算、生成式AI和大語言模型的快速發(fā)展，芯片技術(shù)和服務(wù)器市場變得越來越重要。大模型需要高性能芯片支持，而芯片技術(shù)的發(fā)展又為大模型應(yīng)用和推廣提供可能。在這篇文章中，我們將探討推進(jìn)芯片快速發(fā)展的技術(shù)（穩(wěn)態(tài)微聚束加速器光源）、華為和英偉達(dá)顯卡的對比以及賦能生成式AI和LLM大模型負(fù)載L40S服務(wù)器。

在大模型下的芯片技術(shù)領(lǐng)域，GPU、CPU和ASIC等技術(shù)得到了廣泛應(yīng)用。GPU作為圖形處理器，最初是為了處理圖像和游戲等任務(wù)而設(shè)計(jì)的。然而，隨著人工智能和深度學(xué)習(xí)的發(fā)展，GPU逐漸成為大模型訓(xùn)練和推理的首選芯片。

華為和英偉達(dá)顯卡在大模型服務(wù)市場中具有重要地位。華為依托其強(qiáng)大的技術(shù)實(shí)力和品牌影響力，在顯卡市場中占據(jù)一席之地。英偉達(dá)則憑借其領(lǐng)先的GPU技術(shù)和廣泛的應(yīng)用領(lǐng)域，成為了大模型服務(wù)市場的領(lǐng)導(dǎo)者。在銷售量和市場份額方面，英偉達(dá)略勝一籌，但是華為和其它競爭對手也在不斷追趕。

GPU L40S采用先進(jìn)的芯片技術(shù)，可以快速、準(zhǔn)確地處理大規(guī)模的數(shù)據(jù)。具有高度的可擴(kuò)展性，根據(jù)需要增加或減少計(jì)算資源。此外，還采用先進(jìn)的算法和模型優(yōu)化技術(shù)，大大提高模型訓(xùn)練的效率和精度。

穩(wěn)態(tài)微聚束加速器光源

在芯片制造領(lǐng)域，光刻技術(shù)一直扮演著至關(guān)重要的角色。然而，傳統(tǒng)的光刻技術(shù)也存在一些明顯的局限性，這些局限性在新一代芯片制造中變得尤為明顯。傳統(tǒng)的光刻技術(shù)需要使用大型、昂貴的設(shè)備，如荷蘭ASML公司生產(chǎn)的***。這些設(shè)備的高成本使得芯片制造過程變得昂貴，不利于成本的降低。而且，傳統(tǒng)的光刻技術(shù)在追求更小的制程和更高的性能時遇到了困境，因?yàn)樗鼈兪艿搅斯庠垂β噬舷薜南拗啤＿@導(dǎo)致了制程的瓶頸，制約了芯片技術(shù)的發(fā)展。

清華大學(xué)的唐教授提出的“穩(wěn)態(tài)微聚束加速器光源”為芯片制造帶來了一種全新的思路。這一方法的核心在于通過高能加速器對電子進(jìn)行加速，然后讓這些電子穿過交替變化的磁場，從而產(chǎn)生高頻率和短波長的電磁波，包括可見光和X射線。簡單來說就是將電子加速到接近光速，從而獲得更短波長的光，為芯片制造提供了全新的工具。

一、加速器光源簡介

同步輻射是帶電粒子在高速運(yùn)動時產(chǎn)生的電磁輻射，其特點(diǎn)包括高亮度、寬譜帶、高準(zhǔn)直性和偏振性等。自20世紀(jì)70年代起，人們開始專門建設(shè)電子儲存環(huán)來產(chǎn)生同步輻射。一個同步輻射光源由電子注入器、電子儲存環(huán)和光束線站組成，追求高亮度和更好相干性，經(jīng)歷四代的發(fā)展。中國大陸的北京同步輻射裝置屬于第一代，合肥光源屬于第二代，上海光源屬于第三代，正在建設(shè)的高能同步輻射光源屬于第四代。同步輻射的亮度定義為單位時間、單位面積、單位發(fā)散角、0.1%帶寬內(nèi)的光子數(shù)。

同步輻射光源的相干性包括橫向和縱向兩方面。橫向相干性與光源尺寸有關(guān)，縱向相干性與光源譜寬有關(guān)。為獲得更高亮度和相干性，需要提高輻射強(qiáng)度、縮小譜寬、減小電子束的發(fā)散角。同步輻射光源的發(fā)展已經(jīng)降低電子束的橫向發(fā)散角，從而獲得良好的橫向相干性，但縱向相干性仍然較弱，導(dǎo)致束長遠(yuǎn)超過相干長度，輻射功率較低。

自由電子激光克服這一缺點(diǎn)，利用電子束在波蕩器中自放大發(fā)射的原理，通過電子束和輻射波在波蕩器中相互作用形成微聚束，產(chǎn)生強(qiáng)相干輻射。這種正反饋過程導(dǎo)致輻射指數(shù)增長，與同步輻射相比，自由電子激光的峰值亮度提高8-10數(shù)量級，相干性更好，脈沖長度更短。其使用自由電子而不是束縛電子，輻射波長可以靈活調(diào)節(jié)。

自由電子激光的輻射波長由電子束能量、波蕩器參數(shù)和相對論因子γ決定，而在X射線波段，自由電子激光是唯一的相干光源。可分為低增益模式和高增益模式，早期主要是低增益模式，輻射在共振腔內(nèi)被多次放大，而當(dāng)前主要發(fā)展的是高增益短波長自由電子激光，即電子束單次通過波蕩器就完成從發(fā)射到飽和的過程，特別是X射線自由電子激光。

高增益短波長自由電子激光對電子束質(zhì)量的要求很高，需要電子束橫向發(fā)散度足夠小、能量散度足夠小、電流足夠大，以保證增益大于損耗。

自由電子激光裝置示意圖

高增益自由電子激光對電子束質(zhì)量要求非常高，需要高峰值電流、低發(fā)散度和低能量散度。為滿足這些要求，主要依靠直線加速器產(chǎn)生電子束。與儲存環(huán)不同，自由電子激光的重復(fù)頻率較低，為獲取高重復(fù)頻率，正在研發(fā)采用超導(dǎo)射頻直線加速器的自由電子激光。

加速器光源已成為人類探索物質(zhì)世界的最前沿工具之一，基于電子儲存環(huán)的同步輻射光源提供高重復(fù)頻率的輻射，基于直線加速器的自由電子激光提供高峰值亮度的輻射，是兩種主要類型的加速器光源。這兩類大科學(xué)裝置孕育眾多突破性基礎(chǔ)研究成果，在先進(jìn)制造與產(chǎn)業(yè)發(fā)展中的作用難以估量。

全球有超過50個同步輻射光源和7個X射線自由電子激光裝置建成或在建，最先進(jìn)的加速器光源因其光束質(zhì)量、科研支撐作用、建設(shè)投入和技術(shù)復(fù)雜程度，已成為國家綜合實(shí)力和競爭力的重要體現(xiàn)。

二、穩(wěn)態(tài)微聚束加速器光源原理

隨著加速器光源的發(fā)展，用戶需求也在不斷增長，除同步輻射和自由電子激光，人們也期待出現(xiàn)一種同時實(shí)現(xiàn)高峰值功率和高重復(fù)頻率的光源。2010年，Ratner和Chao首次提出一種新型儲存環(huán)光源——穩(wěn)態(tài)微聚束（SSMB）。

SSMB使用激光而不是射頻腔來調(diào)制儲存環(huán)中的電子束。由于激光與電子束的傳播方向垂直，因此不能有效地交換能量。為縱向聚焦調(diào)制電子束，扭擺磁鐵被采用，實(shí)現(xiàn)激光調(diào)制，類似于射頻腔調(diào)制。

與傳統(tǒng)儲存環(huán)相比，SSMB儲存環(huán)的標(biāo)志是使用激光調(diào)制器代替射頻腔。

SSMB儲存環(huán)(b)與傳統(tǒng)儲存環(huán)(a)對比

微聚束的原理示意圖

在SSMB儲存環(huán)中，由于激光波長比微波波長短了約6個數(shù)量級，通過精心設(shè)計(jì)的磁系統(tǒng)，電子束團(tuán)長度可以達(dá)到亞微米至納米量級，形成微聚束。同時，束團(tuán)間隔從微波波長縮短到激光波長，使得單位長度內(nèi)的束團(tuán)數(shù)目提高了6個數(shù)量級。與傳統(tǒng)束團(tuán)相比，微聚束的特點(diǎn)是束團(tuán)內(nèi)電子縱向分布長度比輻射波長短，不同電子的輻射場保持相干并相干疊加，使得輻射強(qiáng)度與束長內(nèi)電子數(shù)平方成正比，遠(yuǎn)高于非相干輻射的線性關(guān)系。

(a)普通束團(tuán)非相干輻射及(b)微聚束相干輻射示意圖

微聚束產(chǎn)生強(qiáng)相干輻射的原因是含有N個電子的束團(tuán)輻射功率包括與N線性相關(guān)的非相干輻射和與N的平方相關(guān)的相干輻射。相干輻射顯著高于非相干輻射需要束長小于輻射波長，因此納米級束長的微聚束可產(chǎn)生短波長相干輻射。

高增益自由電子激光中的微聚束源自束內(nèi)不穩(wěn)定性，難以長期維持，而SSMB中的微聚束來自激光主動調(diào)制，是穩(wěn)定的相干輻射，可在環(huán)中重復(fù)利用。SSMB結(jié)合微聚束的強(qiáng)相干性和儲存環(huán)的高重復(fù)頻率，可提供高平均功率、窄帶寬的相干輻射，具有巨大的潛力。SSMB輻射的多項(xiàng)特性可為加速器光子科學(xué)研究和應(yīng)用帶來新機(jī)遇，如EUV光刻的光源等。

三、SSMB 原理的實(shí)驗(yàn)驗(yàn)證

穩(wěn)態(tài)微聚束（SSMB）從概念到應(yīng)用必須進(jìn)行原理驗(yàn)證實(shí)驗(yàn)。清華大學(xué)等自2017年開始進(jìn)行SSMB原理驗(yàn)證研究，利用德國的MLS準(zhǔn)等時儲存環(huán)完成了SSMB的原理驗(yàn)證。

SSMB原理驗(yàn)證實(shí)驗(yàn)示意圖

在SSMB原理驗(yàn)證實(shí)驗(yàn)中，利用德國的MLS準(zhǔn)等時儲存環(huán)，電子束被激光調(diào)制能量后，形成微米量級的調(diào)制周期密度調(diào)制，即微聚束。微聚束在波蕩器中發(fā)出強(qiáng)相干輻射，通過檢測該輻射驗(yàn)證微聚束形成。

實(shí)驗(yàn)結(jié)果顯示，被激光調(diào)制的電子束輻射信號得到放大，同時窄帶濾波后的信號比寬譜輻射更大，證明了微聚束的窄帶相干輻射。此外，還研究了輻射強(qiáng)度與束流強(qiáng)度的關(guān)系。通過這一原理驗(yàn)證實(shí)驗(yàn)，首次展示了激光調(diào)制可在環(huán)中產(chǎn)生微聚束并發(fā)出相干輻射的效應(yīng)，完成SSMB核心概念的實(shí)驗(yàn)驗(yàn)證。

SSMB原理驗(yàn)證實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)中，還測量了輻射功率與電荷量的依賴關(guān)系，結(jié)果顯示了與電荷量平方成正比的特點(diǎn)，這正是相干輻射最重要的特征。此外，輻射呈現(xiàn)窄帶特性。這兩點(diǎn)有力地證明了微聚束的形成。最近，我們還進(jìn)一步實(shí)現(xiàn)了微聚束在儲存環(huán)中多圈穩(wěn)定存在，電子束實(shí)現(xiàn)了多圈相干發(fā)射。通過檢測輻射功率關(guān)系和頻譜特性，驗(yàn)證了微聚束形成并相干發(fā)射。進(jìn)而展示微聚束可在環(huán)中多圈穩(wěn)定，完成SSMB核心概念的多圈相干發(fā)射驗(yàn)證。

SSMB原理驗(yàn)證實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)成功實(shí)現(xiàn)微聚束的形成和多圈穩(wěn)定存在，這證明了電子縱向位置能以精確于激光波長的精度在環(huán)中關(guān)聯(lián)，使電子穩(wěn)定受困于激光形成的勢場。這一實(shí)驗(yàn)與直線段上的微聚束實(shí)驗(yàn)不同，重點(diǎn)在于展示了：

1）微聚束是經(jīng)過一整圈形成的，驗(yàn)證粒子動力學(xué)的one-turn map概念；
2）微聚束基于預(yù)先儲存的電子束形成，電子束參數(shù)由儲存環(huán)決定。

該實(shí)驗(yàn)僅展示one-turn map的一次迭代形成微聚束，而SSMB需要多次迭代實(shí)現(xiàn)穩(wěn)態(tài)微聚束。這是從0到1的驗(yàn)證，標(biāo)志著SSMB發(fā)展的第一個里程碑。即使在非優(yōu)化環(huán)中，SSMB機(jī)理也展現(xiàn)出強(qiáng)大的魯棒性，這激勵我們構(gòu)建專用環(huán)進(jìn)一步完美實(shí)現(xiàn)SSMB。

四、SSMB 儲存環(huán)的核心物理問題及關(guān)鍵技術(shù)挑戰(zhàn)

SSMB原理驗(yàn)證實(shí)驗(yàn)的成功證明SSMB光源的可行性。為進(jìn)一步推進(jìn)SSMB光源的實(shí)際建設(shè)，需要深入研究其核心物理并解決關(guān)鍵技術(shù)挑戰(zhàn)。相比傳統(tǒng)儲存環(huán)，SSMB中的束長縮短6個數(shù)量級，為加速器物理和技術(shù)的發(fā)展帶來了新的機(jī)遇。下一步需要關(guān)注SSMB在環(huán)中的產(chǎn)生機(jī)理、SSMB的輻射特性以及技術(shù)實(shí)現(xiàn)方面的關(guān)鍵挑戰(zhàn)。

1、SSMB 在儲存環(huán)中的產(chǎn)生

1）SSMB是一個多次通過的裝置，與電子束團(tuán)單次通過的高增益FEL不同

要求超短束團(tuán)在輻射段能夠一圈接一圈地重復(fù)出現(xiàn)，即超短束團(tuán)在輻射段中呈現(xiàn)的是該儲存在環(huán)中的本征態(tài)。為了實(shí)現(xiàn)在較低調(diào)制激光功率下的束團(tuán)壓縮，對于儲環(huán)的lattice設(shè)計(jì)而言，探索橫縱向耦合在每一圈中的利用方式是一個新穎且有趣的課題。

2）非線性動力學(xué)效應(yīng)在SSMB儲存環(huán)中起著重要作用

由于對束團(tuán)的操控要求精微，非線性滑相因子、非線性橫縱向耦合等都可能影響束團(tuán)動力學(xué)，如六維動力學(xué)孔徑以及束流在六維相空間的分布。在傳統(tǒng)儲存環(huán)中，主要關(guān)注橫向動力學(xué)孔徑的優(yōu)化，而SSMB則需要同時關(guān)注橫向和縱向，即六維相空間的優(yōu)化。

因此，需要發(fā)展相關(guān)的理論并結(jié)合先進(jìn)的數(shù)值方法（如機(jī)器學(xué)習(xí)、遺傳算法）進(jìn)行SSMB的非線性動力學(xué)優(yōu)化。此外，集體效應(yīng)也是SSMB儲存環(huán)中需要關(guān)注的問題。由于SSMB儲存環(huán)中束團(tuán)極短，束流的峰值流強(qiáng)和平均流強(qiáng)相對較高，相干同步輻射、束內(nèi)散射以及阻抗壁尾場等都可能會對微束團(tuán)結(jié)構(gòu)的穩(wěn)態(tài)參數(shù)以及穩(wěn)定存儲產(chǎn)生影響從而限制束流能量和強(qiáng)度。此外，SSMB儲存環(huán)內(nèi)的束流分布模式不同于傳統(tǒng)儲存環(huán)，微束團(tuán)的輻射可以追上其前方的一個或多個微束團(tuán)，使得通常被認(rèn)為是短程的相干同步輻射在SSMB的語境下變?yōu)殚L程。這些因素要求對相干同步輻射、橫縱向耦合導(dǎo)致的束團(tuán)長度變化、三維任意耦合以及縱向強(qiáng)聚焦lattice中的IBS等進(jìn)行仔細(xì)的評估和研究。

3）誤差容忍度和噪聲分析在非線性效應(yīng)顯著的SSMB中也變得非常重要

噪聲對電子束團(tuán)的影響按頻率可分為兩部分：高頻噪聲導(dǎo)致束團(tuán)在相空間的擴(kuò)散從而引起發(fā)射度的增長，而低頻噪聲會導(dǎo)致束團(tuán)的質(zhì)心運(yùn)動。對于高頻噪聲，需要保證其對束流穩(wěn)態(tài)發(fā)射度的貢獻(xiàn)處于可接受的范圍內(nèi)以實(shí)現(xiàn)超短電子束團(tuán)的形成；對于低頻噪聲，需要保證其對束流的影響滿足絕熱條件，從而使電子束團(tuán)在質(zhì)心受噪聲影響發(fā)生移動時保證發(fā)射度不變。如果噪聲對電子束的影響超出了可接受范圍，需要采用相應(yīng)的反饋系統(tǒng)或其他阻尼機(jī)制來降低噪聲的影響。需要注意的是，由于SSMB的工作模式（如縱向強(qiáng)聚焦、強(qiáng)縱橫耦合）不同于一般儲存環(huán)，其噪聲和誤差容忍度的解析分析也將相對復(fù)雜。如傳統(tǒng)射頻腔相噪分析中采用的正則微擾論在縱向強(qiáng)聚焦儲存環(huán)中就無法直接應(yīng)用因?yàn)樵搫恿ο到y(tǒng)是不可積的（混沌的）。另一方面借助于現(xiàn)有計(jì)算機(jī)的強(qiáng)大計(jì)算能力可以對噪聲的影響進(jìn)行直接的數(shù)值模擬研究。

2、SSMB 的輻射特性

在形成穩(wěn)態(tài)微聚束后，需要研究SSMB的輻射特性。SSMB的微聚束縱向發(fā)散極小，輻射在縱向上高度相干，其束流分布模式獨(dú)特。為指導(dǎo)設(shè)計(jì)與優(yōu)化，需要研究束流在六維相空間的分布對SSMB輻射參數(shù)的影響。研究實(shí)驗(yàn)者已經(jīng)進(jìn)行相關(guān)的理論推導(dǎo)和程序開發(fā)。計(jì)算結(jié)果顯示，在適當(dāng)?shù)膮?shù)下，SSMB可以直接實(shí)現(xiàn)平均功率1kW以上的EUV輸出，這為SSMB的光源設(shè)計(jì)提供了指導(dǎo)。

SSMB-EUV光源輻射能譜樣例

3、SSMB關(guān)鍵技術(shù)挑戰(zhàn)

要實(shí)現(xiàn)SSMB光源的真正技術(shù)可行性，需要掌握幾項(xiàng)核心技術(shù)。

1）激光調(diào)制器是SSMB與傳統(tǒng)儲存環(huán)之間最重要的區(qū)別

為實(shí)現(xiàn)SSMB，需要高激光功率、相位鎖定，并采用連續(xù)波或高占空比的調(diào)制激光以提高束流占空比和輻射光的平均功率。因此，SSMB的激光調(diào)制系統(tǒng)采用了光學(xué)增益腔。

2）長脈沖注入系統(tǒng)是實(shí)現(xiàn)高輻射功率所必需

由于SSMB的平均流強(qiáng)較高，約為1A，因此需要專門設(shè)計(jì)大電荷量、長脈沖（百納秒量級）注入束流。為了減少SSMB出光過程中的功率變化，希望其工作在流強(qiáng)基本恒定不變的top-up模式，同時也可降低對單次注入束流強(qiáng)度的要求。

3）直線感應(yīng)加速器是實(shí)現(xiàn)SSMB束流能量補(bǔ)充的可行選擇之一

為了提高SSMB儲存環(huán)的束流占空比，需要采用連續(xù)激光，并對長脈沖電子束的能量補(bǔ)充提出不同于傳統(tǒng)儲存環(huán)的要求。此外，高精度磁鐵、高精度控制系統(tǒng)等也需要在現(xiàn)有的同步輻射光源的基礎(chǔ)上進(jìn)一步發(fā)展。

五、清華 SSMB-EUV 光源

自2017年以來，清華團(tuán)隊(duì)開始研究面向EUV光刻的大功率SSMB-EUV光源。在原理驗(yàn)證、束流動力學(xué)、物理設(shè)計(jì)和關(guān)鍵技術(shù)方面取得了重要進(jìn)展。在束流動力學(xué)研究中，團(tuán)隊(duì)解決了實(shí)現(xiàn)超短束所需關(guān)注的核心物理問題，完成了能夠穩(wěn)定儲存納米級束的儲存環(huán)設(shè)計(jì)，并開展了集體效應(yīng)等方面的研究。輻射理論和數(shù)值計(jì)算表明，SSMB可以實(shí)現(xiàn)千瓦級的EUV輸出。在關(guān)鍵技術(shù)方面，團(tuán)隊(duì)搭建了光學(xué)腔平臺，研制出樣機(jī)，并合作研發(fā)了MHz感應(yīng)加速單元等。

基于這些研究成果，團(tuán)隊(duì)提出了SSMB-EUV光源方案。該方案采用微波電子槍和直線加速器產(chǎn)生束流，經(jīng)展束環(huán)調(diào)整分布后注入主環(huán)，在主環(huán)中激光調(diào)制形成穩(wěn)態(tài)微聚束。微聚束在輻射段被進(jìn)一步壓縮，實(shí)現(xiàn)13.5nm EUV強(qiáng)相干發(fā)射，輸出功率達(dá)到千瓦量級。這一創(chuàng)新為EUV光源技術(shù)的發(fā)展提供了新的途徑。

清華 SSMB-EUV 光源示意圖

下面簡要介紹各分系統(tǒng)的功能和實(shí)現(xiàn)方式：

1）直線注入器

直線注入器產(chǎn)生的能量約400MeV，它能在約10厘米間隔內(nèi)提供數(shù)百個等電荷量的微脈沖束團(tuán)，微脈沖束團(tuán)的脈沖長度在百納秒量級，總電荷量也是百納庫量級，平均流強(qiáng)為1A。

2）展束環(huán)

多脈沖束團(tuán)被注入到展束環(huán)中，通過優(yōu)化微脈沖束團(tuán)的能散和展束環(huán)的滑相因子，使微束團(tuán)長度在展束環(huán)中被拉長，相鄰的束團(tuán)流強(qiáng)分布首尾相連相互重疊，形成近似均勻流強(qiáng)的長度百納秒量級的準(zhǔn)直流電子束，然后注入到SSMB儲存環(huán)中。

3）SSMB主環(huán)

被注入的束流被調(diào)制激光的勢阱俘獲(光學(xué) micro-bucket)，經(jīng)過輻射阻尼及量子激發(fā)到達(dá)平衡，形成間隔為激光波長(約 )的微束團(tuán)。SSMB主環(huán)的設(shè)計(jì)極小化了全局及局部滑相因子，從而控制全環(huán)縱向函數(shù)，使電子束實(shí)現(xiàn)極低的穩(wěn)態(tài)縱向發(fā)射度和束團(tuán)長度(十納米到數(shù)十納米)。儲存環(huán)的非線性動力學(xué)經(jīng)過仔細(xì)優(yōu)化，能實(shí)現(xiàn)足夠大的六維動力學(xué)孔徑，以保證束團(tuán)能穩(wěn)定且具有足夠壽命地儲存在光學(xué) micro-bucket 中。

4）束團(tuán)壓縮及輻射單元

對SSMB主環(huán)中的束團(tuán)進(jìn)行進(jìn)一步壓縮，在輻射段實(shí)現(xiàn)長度約為3nm的微束團(tuán)，從而產(chǎn)生波長為13.5nm的強(qiáng)相干EUV光。具體的壓縮方案包括縱向強(qiáng)聚焦、橫縱向耦合(廣義縱向強(qiáng)聚焦)等。輻射元件采用優(yōu)化設(shè)計(jì)的波蕩器，能產(chǎn)生大功率窄帶寬的EUV光。

5）調(diào)制激光系統(tǒng)

采用窄線寬種子激光和高精細(xì)度光學(xué)增益腔，實(shí)現(xiàn)約1MW的平均存儲功率，滿足SSMB-EUV光源需求。

6）能量補(bǔ)充系統(tǒng)

采用MHz重頻的直線感應(yīng)加速器，補(bǔ)償平均流強(qiáng)約為1A的束流平均功率數(shù)千瓦到十千瓦的輻射損失。

六、SSMB-EUV 光源對科學(xué)研究及芯片光刻潛在的變革性影響

目前全球唯一的 EUV ***供應(yīng)商是荷蘭的 ASML 公司，其采用激光等離子體（LPP）的 EUV 光源。具體來說，ASML 通過一臺功率大于 20 kW 的 CO 氣體激光器轟擊液態(tài)錫形成等離子體，從而產(chǎn)生 13.5 nm 的 EUV 光。

通過不斷優(yōu)化驅(qū)動激光功率、EUV 光轉(zhuǎn)化效率、收集效率以及控制系統(tǒng)，LPP-EUV 光源目前能夠在中間焦點(diǎn)處實(shí)現(xiàn) 350 W 左右的 EUV 光功率，該功率水平剛達(dá)到工業(yè)量產(chǎn)的門檻指標(biāo)。產(chǎn)業(yè)界認(rèn)為 LPP 光源未來可以達(dá)到的 EUV 功率最高為 500 W 左右，如果想要繼續(xù)將 EUV 光刻向 3 nm 以下工藝節(jié)點(diǎn)推進(jìn)，LPP-EUV 光源的功率將遇到瓶頸。

由于基于等離子體輻射的 EUV 光源功率進(jìn)一步突破困難，因此基于相對論電子束的各類加速器光源逐漸進(jìn)入產(chǎn)業(yè)界的視野，如基于超導(dǎo)直線加速器技術(shù)的高重頻 FEL 以及 SSMB 等。

SSMB-EUV 光源用于 EUV 光刻具有以下特點(diǎn)和潛在優(yōu)勢：

1、高平均功率

SSMB儲存環(huán)支持安裝多條EUV光束線，可同時作為光刻大功率照明光源及掩模、光學(xué)器件的檢測光源，還可以為EUV光刻膠的研究提供支撐

2、窄帶寬與高準(zhǔn)直性

SSMB光源容易實(shí)現(xiàn)EUV光刻所需的小于2%的窄帶寬要求，并且波蕩器輻射集中于mrad的角度范圍內(nèi)。窄帶寬以及高準(zhǔn)直的特性可為基于SSMB的EUV光刻光學(xué)系統(tǒng)帶來創(chuàng)新性的設(shè)計(jì)，同時可以降低EUV光學(xué)反射鏡的工藝難度

3、高穩(wěn)定性的連續(xù)波輸出

SSMB輸出的是連續(xù)波或準(zhǔn)連續(xù)波輻射，可以避免輻射功率大幅漲落而引起的對芯片的損傷。儲存環(huán)光源的穩(wěn)定性好，采用top-up運(yùn)行模式的SSMB儲存環(huán)可使光源的長時間可用性得到進(jìn)一步提升

4、輻射清潔

與LPP-EUV光源相比，波蕩器輻射的高真空環(huán)境對光刻的光學(xué)系統(tǒng)反射鏡不會產(chǎn)生污染，鏡子的使用壽命可以大大延長

5、可拓展性

SSMB原理上容易往更短波長拓展，為下一代采用波長6.x nm的Blue-X光刻技術(shù)留有可能

各類 EUV 光源特點(diǎn)

SSMB-EUV光源的成功研制將有望推動我國EUV光刻技術(shù)的跨越式進(jìn)步。與此同時，SSMB加速器光源能夠產(chǎn)生高平均功率、窄線寬的從太赫茲到軟X射線的相干輻射，并且其時間結(jié)構(gòu)可調(diào)范圍廣泛，這將對物理、化學(xué)、能源、環(huán)境等學(xué)科的基礎(chǔ)研究與應(yīng)用研究帶來全新的研究工具和手段。

計(jì)算機(jī)視覺的目標(biāo)是設(shè)計(jì)能識別和處理視覺信號的程序,使計(jì)算機(jī)"看"得更好。典型任務(wù)有圖像分類、物體檢測、分割、追蹤和姿態(tài)估計(jì)。ImageNet數(shù)據(jù)集包含超過2萬個物體類別，用于圖像分類。MS-COCO數(shù)據(jù)集包含檢測、分割等任務(wù)。

在計(jì)算機(jī)中，視覺信號以像素密集采樣的方式來存儲光強(qiáng)度。然而，像素并不代表語義信息，因此這種存儲形式與人類理解之間存在巨大的差距

華為盤古大模型介紹

AI正在逐漸深入到企業(yè)的核心生產(chǎn)系統(tǒng)中，并發(fā)揮出更大的價值。預(yù)計(jì)到2025年，企業(yè)采用AI的比例將達(dá)到86%，而當(dāng)前這一數(shù)字僅為4%。在眾多的AI項(xiàng)目中，有600+已經(jīng)得到實(shí)踐，其中30%已經(jīng)進(jìn)入了生產(chǎn)系統(tǒng)。然而，AI在各行各業(yè)的應(yīng)用仍然面臨諸多挑戰(zhàn)，如場景碎片化、作坊式開發(fā)方式導(dǎo)致規(guī)模化復(fù)制困難、行業(yè)知識與AI技術(shù)結(jié)合難度大、以及人們對AI模型安全性、隱私和潛在攻擊的擔(dān)憂。

近年來，云計(jì)算市場迅速發(fā)展，客戶需求從資源需求向智能和業(yè)務(wù)方案需求轉(zhuǎn)變。市場前景廣闊，但業(yè)務(wù)數(shù)量眾多、場景復(fù)雜也帶來挑戰(zhàn)。隨著市場的成熟，定制化解決方案相較于統(tǒng)一方案更具優(yōu)勢，中小型供應(yīng)商也具有了競爭力。然而，在保證業(yè)務(wù)規(guī)模的同時，如何控制成本、提高效率和質(zhì)量成為核心難題。

另一方面，傳統(tǒng)行業(yè)也在積極利用AI技術(shù)解決問題，這需要算法具備通用性。然而，目前AI開發(fā)主要采取的是針對每個場景獨(dú)立開發(fā)的模式，缺乏通用知識的積累。這也導(dǎo)致低水平開發(fā)者難以掌握規(guī)范流程和優(yōu)化技巧，進(jìn)而影響模型的效果。

為解決AI算法落地面臨的碎片化問題，預(yù)訓(xùn)練大模型應(yīng)運(yùn)而生。這種模型通過無監(jiān)督學(xué)習(xí)從大規(guī)模數(shù)據(jù)中提取通用知識，并將其儲存在參數(shù)量巨大的模型中。在遇到具體任務(wù)時，只需要調(diào)用統(tǒng)一的流程來應(yīng)用這些知識，并結(jié)合領(lǐng)域經(jīng)驗(yàn)來解決具體問題。近年來，預(yù)訓(xùn)練模型的研究和應(yīng)用持續(xù)爆發(fā)，有望在AI領(lǐng)域發(fā)揮統(tǒng)領(lǐng)作用。然而，要實(shí)現(xiàn)預(yù)訓(xùn)練模型的商業(yè)規(guī)模應(yīng)用，還有一段路要走，這需要技術(shù)和商業(yè)模式雙輪驅(qū)動。我們設(shè)想大模型可以成為AI的操作系統(tǒng)，管理硬件資源，支撐算法應(yīng)用，從而使AI開發(fā)更加規(guī)范和普及。

一、大模型 是 AI 發(fā)展的必然趨勢

1、人工智能發(fā)展趨勢的總體研判

人工智能存在著邏輯演繹、歸納統(tǒng)計(jì)和類腦計(jì)算三大流派，各具優(yōu)勢并持續(xù)爭議。類腦計(jì)算目標(biāo)遠(yuǎn)大，但缺乏生命科學(xué)支撐。歸納演繹方式與人類相似，可解釋性強(qiáng)，是前兩次繁榮的主角。隨著對人工智能困難性的理解，邏輯方法的局限性被放大，統(tǒng)計(jì)學(xué)習(xí)在第三次繁榮期占據(jù)主導(dǎo)地位。深度學(xué)習(xí)進(jìn)一步推崇“拋棄先驗(yàn)，擁抱數(shù)據(jù)”的思想。

深度學(xué)習(xí)是當(dāng)代產(chǎn)物，得益于大數(shù)據(jù)和大算力的支持，其核心是深度神經(jīng)網(wǎng)絡(luò)，通過通用骨干網(wǎng)絡(luò)與特定目的頭部網(wǎng)絡(luò)的配合，實(shí)現(xiàn)了對各個子領(lǐng)域的統(tǒng)一解決問題。然而，其本質(zhì)仍是統(tǒng)計(jì)學(xué)習(xí)的框架，缺乏人類基于知識的推斷方式，導(dǎo)致通用性受限，且開發(fā)成本高昂，難以惠及細(xì)分行業(yè)。

預(yù)訓(xùn)練大模型是深度學(xué)習(xí)時代的集大成者，分為上游（模型預(yù)訓(xùn)練）和下游（模型微調(diào)）兩個階段，旨在解決上述問題。雖然預(yù)訓(xùn)練大模型不直接導(dǎo)向人工智能，但兩個重要判斷對其未來發(fā)展有著深遠(yuǎn)影響。

1）在下一個劃時代的計(jì)算模型出現(xiàn)以前，大模型將是人工智能領(lǐng)域最有效的通用范式， 并將產(chǎn)生巨大的商業(yè)價值

根據(jù)實(shí)際操作經(jīng)驗(yàn)，預(yù)訓(xùn)練大模型加持下的人工智能算法（包括計(jì)算機(jī)視覺和自然語言處理等領(lǐng)域）相比于普通開發(fā)者從頭搭建的算法，精度顯著提高、數(shù)據(jù)和計(jì)算成本明顯降低，并且開發(fā)難度大大降低。以計(jì)算機(jī)視覺為例：在以前，要在100張圖像上訓(xùn)練基礎(chǔ)物體檢測算法，需要8塊GPU運(yùn)行5個小時，一名開發(fā)者需要工作1個星期才能完成。然而，有了預(yù)訓(xùn)練模型的支持，現(xiàn)在只需要1塊GPU運(yùn)行2個小時，而且?guī)缀醪恍枰肆Ω深A(yù)。綜合人力和算力開銷的考慮，上述案例的開發(fā)成本降低90%甚至99%。

2）對大模型的研究，將有可能啟發(fā)下一個通用計(jì)算模型

在2011年之前，統(tǒng)計(jì)學(xué)習(xí)方法盛行，詞袋模型的參數(shù)達(dá)到了10億量級。然而，2012年只有6000萬參數(shù)的深度網(wǎng)絡(luò)打敗了詞袋模型，推動了計(jì)算機(jī)視覺領(lǐng)域的發(fā)展。深度網(wǎng)絡(luò)相比詞袋模型，在特征提取效率上取得了突破性進(jìn)展。我們預(yù)測，隨著大模型不斷發(fā)展，結(jié)合知識后可能會出現(xiàn)新的突破，推動統(tǒng)計(jì)學(xué)習(xí)的進(jìn)化。

目前看來，預(yù)訓(xùn)練大模型代表了統(tǒng)計(jì)學(xué)習(xí)的最高成就，也是當(dāng)前人工智能的最強(qiáng)武器。在新技術(shù)出現(xiàn)之前，預(yù)訓(xùn)練大模型將繼續(xù)引領(lǐng)人工智能研發(fā)。中美兩國已經(jīng)在大模型的研發(fā)和應(yīng)用方面展開了競爭。

二、盤古大模型家族介紹

華為云團(tuán)隊(duì)在2020年啟動大模型研發(fā)項(xiàng)目，并于2021年4月首次公開了名為“盤古預(yù)訓(xùn)練大模型”的成果。盤古大模型集合了華為在AI領(lǐng)域的多項(xiàng)研究成果，并深度結(jié)合昇騰芯片、MindSpore語言和ModelArts平臺。下面將簡要介紹盤古大模型的組成部分，并剖析構(gòu)建大模型的關(guān)鍵技術(shù)。

1、視覺大模型

計(jì)算機(jī)視覺的目標(biāo)是設(shè)計(jì)能夠識別和處理視覺信號的程序，從而使計(jì)算機(jī)能夠更好地“看”。其典型任務(wù)包括圖像分類、物體檢測、分割、追蹤和姿態(tài)估計(jì)。ImageNet數(shù)據(jù)集包含超過2萬個物體類別，用于圖像分類任務(wù)，而MS-COCO數(shù)據(jù)集則包含檢測和分割等任務(wù)。

在計(jì)算機(jī)中，視覺信號以像素密集采樣的方式來存儲光強(qiáng)度。然而，像素并不代表語義信息，因此這種存儲形式與人類理解之間存在巨大的差距，這被稱為語義鴻溝，是計(jì)算機(jī)視覺的核心問題。進(jìn)一步分析圖像信號的特點(diǎn)，發(fā)現(xiàn)以下幾點(diǎn)：

內(nèi)容較復(fù)雜

圖像的基本組成單元是像素，但單個像素通常不足以傳達(dá)語義。

信息密度低

圖像信號雖然能客觀地反映出事物的特征，但其中相當(dāng)一部分?jǐn)?shù)據(jù)用于表達(dá)圖像中的低頻區(qū)域（如天空）或無明確語義的高頻區(qū)域（如隨機(jī)噪聲）。

域豐富多變

圖像信號受到各種域的影響，這種影響通常具有全局性質(zhì)，難以與語義區(qū)分開來。例如，同樣的語義內(nèi)容在不同的光照條件下會呈現(xiàn)出完全不同的表征。同時，相同的物體以不同的尺寸、視角和姿態(tài)出現(xiàn)時，會在像素層面產(chǎn)生巨大差異，給視覺識別算法帶來困難。

基于此使用了卷積網(wǎng)絡(luò)和Transformer等主流視覺模型架構(gòu)。自動機(jī)器學(xué)習(xí)算法支持不同規(guī)模模型，最大規(guī)模近30億參數(shù)，最小僅數(shù)十萬，可適配不同任務(wù)。

訓(xùn)練數(shù)據(jù)主要來自互聯(lián)網(wǎng)，不含準(zhǔn)確語義標(biāo)簽。采用自監(jiān)督學(xué)習(xí)方法，通過設(shè)計(jì)代理任務(wù)讓模型在無標(biāo)簽數(shù)據(jù)上擬合分布。在對比學(xué)習(xí)基礎(chǔ)上改進(jìn)了自監(jiān)督算法，引入等級化語義相似度挑選更優(yōu)質(zhì)的正樣本,并使用混合數(shù)據(jù)增強(qiáng)技術(shù)減少噪聲影響。還擴(kuò)大了正樣本數(shù)目，避免負(fù)樣本對訓(xùn)練的影響。

基于等級化語義聚集的對比度自監(jiān)督學(xué)習(xí)

2、語音語義大模型

自然語言是人類存儲和交換信息的重要方式，通過文字和語音兩種形式實(shí)現(xiàn)。因此，語音語義處理分為自然語言處理和語音處理兩個領(lǐng)域，目標(biāo)都是讓機(jī)器像人類一樣理解和使用語言。自然語言處理和語音處理都包含理解和生成兩個方面，但處理的信號類型不同，一個是文本，一個是音頻。雖然文本和音頻大多數(shù)情況下高度相關(guān)，但也有一些獨(dú)特的表達(dá)情況。

語音語義處理的核心是將文字和聲音轉(zhuǎn)化為機(jī)器可處理的格式。在深度學(xué)習(xí)之前，主要通過特征工程實(shí)現(xiàn)，但這種方法依賴于專家知識且難以擴(kuò)展。隨著深度學(xué)習(xí)的發(fā)展，自動學(xué)習(xí)語言的向量表示逐漸成為主流。編碼器-解碼器框架被用于處理文字和音頻信號，其中編碼器將語言映射到低維向量，解碼器將低維向量映射回語言。設(shè)計(jì)合適的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)會參數(shù)是深度學(xué)習(xí)中的關(guān)鍵技術(shù)問題。在小型模型時代，CNN和RNN技術(shù)占主導(dǎo)地位，而LSTM模型因處理遠(yuǎn)距離依賴的能力而備受關(guān)注。然而，RNN的優(yōu)化不穩(wěn)定且難以并行計(jì)算，因此限制了構(gòu)建大型語言模型的規(guī)模。

2017年，自注意力Transformer模塊被提出，結(jié)合已有方法優(yōu)點(diǎn)，在速度和表達(dá)能力上具有巨大優(yōu)勢，迅速在自然語言處理和語音識別領(lǐng)域得到應(yīng)用。隨著大規(guī)模語料庫的出現(xiàn)和自監(jiān)督學(xué)習(xí)方法的成熟，2018年出現(xiàn)了預(yù)訓(xùn)練模型BERT并進(jìn)入大模型時代。現(xiàn)在，預(yù)訓(xùn)練大模型憑借出色的泛化能力和基于提示的微調(diào)技術(shù)，簡化各種下游任務(wù)的實(shí)現(xiàn)方式，推動自然語言處理和語音識別領(lǐng)域的巨大發(fā)展，成為語音語義處理領(lǐng)域的最佳方案。

1）數(shù)據(jù)收集

自然語言處理和語音識別類似于計(jì)算機(jī)視覺，也需要大規(guī)模數(shù)據(jù)集作為基礎(chǔ)。爬取40TB原始網(wǎng)頁數(shù)據(jù)，通過解析和清洗，使用正則表達(dá)式等方法過濾噪聲、去重和規(guī)范長度，最終得到約647GB文本數(shù)據(jù)。語音部分，爬取超過7萬小時普通話音頻數(shù)據(jù)，轉(zhuǎn)換為音頻文件，共計(jì)約11TB，視頻來源多樣。

2）預(yù)訓(xùn)練方法

對于語義部分，使用基于Transformer的編碼-解碼器神經(jīng)網(wǎng)絡(luò)模型。編碼器采用雙向自注意力機(jī)制來理解文本，解碼器則通過單向自注意力逐詞生成文本。提出多任務(wù)融合策略來讓模型從海量文本數(shù)據(jù)中獲取語言知識。遮罩語言模型用于訓(xùn)練理解能力，即對原文進(jìn)行挖空并預(yù)測缺失的部分。回歸語言模型用于訓(xùn)練生成能力，給定上文，預(yù)測下文。為提高零樣本推理能力，收集了100+下游任務(wù)數(shù)據(jù)并加入預(yù)訓(xùn)練中。

對于語音部分，解碼器與文本解碼器相似，但音頻編碼器采用了卷積與Transformer結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)。底層卷積神經(jīng)網(wǎng)絡(luò)提取局部信息，上層Transfomer提取全局信息。使用對比學(xué)習(xí)策略，將音頻中的片段挖空并與隨機(jī)負(fù)例進(jìn)行比較，以找出正確的被挖掉的片段。

3、多模態(tài)大模型

多模態(tài)任務(wù)不同于計(jì)算機(jī)視覺或自然語言處理等單一模態(tài)任務(wù)，需要在海量多模態(tài)數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練，并將預(yù)訓(xùn)練知識遷移到下游各項(xiàng)任務(wù)中，以提升下游任務(wù)的精度。典型的多模態(tài)任務(wù)包括跨模態(tài)檢索（如以文搜圖或以圖搜文）、視覺問答（通過圖像內(nèi)部信息回答問題）和視覺定位（在圖像中定位描述的對應(yīng)區(qū)域）。

1）數(shù)據(jù)收集

與視覺和語音語義大模型一樣，多模態(tài)大模型的訓(xùn)練也需要在大量高質(zhì)量數(shù)據(jù)上進(jìn)行。采用了業(yè)界常用的做法，從互聯(lián)網(wǎng)上爬取大量圖文數(shù)據(jù)，通過過濾算法消除不符合要求的數(shù)據(jù)，最終得到高質(zhì)量的圖文配對數(shù)據(jù)，用于多模態(tài)大模型的預(yù)訓(xùn)練。具體來說，設(shè)定了大量文本關(guān)鍵字，在搜索引擎上獲取與之匹配的圖像，并將圖像對應(yīng)的文本存儲下來，形成圖文配對數(shù)據(jù)池。在去掉重復(fù)數(shù)據(jù)后，進(jìn)一步篩選出分辨率高、文本長度適中的數(shù)據(jù)。接著，使用已有的多模態(tài)預(yù)訓(xùn)練模型對配對數(shù)據(jù)的相似度進(jìn)行判斷，如果相似度太低，就丟棄文本描述并使用圖像自動描述算法來生成文本數(shù)據(jù)。經(jīng)過上述預(yù)處理過程，最終得到了約3.5億高質(zhì)量的圖文配對數(shù)據(jù)，占據(jù)約60TB存儲空間。

2）預(yù)訓(xùn)練方法

多模態(tài)大模型預(yù)訓(xùn)練的關(guān)鍵在于不同模態(tài)數(shù)據(jù)的高效交互和融合。當(dāng)前主流的多模態(tài)大模型架構(gòu)分為單塔架構(gòu)和雙塔架構(gòu)。單塔架構(gòu)使用一個深度神經(jīng)網(wǎng)絡(luò)（一般是 Transformer）實(shí)現(xiàn)圖像和文本之間的交互融合，屬于信息前融合方案；而雙塔架構(gòu)使用不同的神經(jīng)網(wǎng)絡(luò)來完成不同模態(tài)的信息抽取，并在最后一層進(jìn)行信息交互和融合，屬于信息后融合方案。

盤古大模型采用雙塔架構(gòu)，具有模型獨(dú)立性強(qiáng)、訓(xùn)練效率高等優(yōu)勢。實(shí)現(xiàn)方式簡單，使用相應(yīng)網(wǎng)絡(luò)抽取圖像和文本特征，然后將一個批次的圖像和文本特征送入判別器，在對比損失函數(shù)的作用下，使得配對的跨模態(tài)特征聚集在一起，而不配對跨模態(tài)特征被拉遠(yuǎn)。在大數(shù)據(jù)集上充分迭代后，模型就能學(xué)會將圖像和文本對齊到同一空間。此時，圖像和文本的編碼器可以獨(dú)立用于各自下游任務(wù)，或協(xié)同用于跨模態(tài)理解類下游任務(wù)。

4、科學(xué)計(jì)算大模型

視覺大模型、自然語言大模型和多模態(tài)大模型主要用于解決通用的人工智能問題，如音頻分析、圖像識別和語義理解等。人類能夠標(biāo)注大規(guī)模數(shù)據(jù)集供深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)這些問題。然而，在自然科學(xué)領(lǐng)域中，還存在許多人類無法解決的問題，比如湍流模擬、天氣預(yù)報和大形變應(yīng)力建模等。這些問題具有廣泛的應(yīng)用前景，如下所示：

近年來，隨著人工智能技術(shù)的迅速發(fā)展，業(yè)界出現(xiàn)了AI+科學(xué)計(jì)算方法，即使用嵌入科學(xué)方程的深度神經(jīng)網(wǎng)絡(luò)，直接從觀測和仿真數(shù)據(jù)中學(xué)習(xí)問題蘊(yùn)含的規(guī)律，以分析復(fù)雜的科學(xué)數(shù)據(jù)并了解科學(xué)過程的內(nèi)部機(jī)理。

從預(yù)訓(xùn)練大模型的角度看，科學(xué)計(jì)算大模型與其他大模型有許多相似之處。都依賴于大規(guī)模數(shù)據(jù)集、需要設(shè)計(jì)具有大量參數(shù)的神經(jīng)網(wǎng)絡(luò)、經(jīng)歷復(fù)雜的優(yōu)化過程，并將知識存儲在網(wǎng)絡(luò)參數(shù)中。接下來，將簡單描述科學(xué)計(jì)算的獨(dú)特之處。

1）數(shù)據(jù)收集

在AI+科學(xué)計(jì)算場景中，數(shù)據(jù)分為觀測和仿真兩類。觀測數(shù)據(jù)由工具產(chǎn)生，如游標(biāo)卡尺等，仿真數(shù)據(jù)由算法產(chǎn)生。這些數(shù)據(jù)、融合數(shù)據(jù)和機(jī)理知識都可以作為AI模型的學(xué)習(xí)對象。不同場景的觀測數(shù)據(jù)差異大，需使用專業(yè)儀器與實(shí)驗(yàn)系統(tǒng)收集，如蛋白質(zhì)結(jié)構(gòu)預(yù)測中的X射線衍射和核磁共振等。仿真數(shù)據(jù)來自算法輸出，蘊(yùn)含豐富的數(shù)學(xué)物理信息。同一個問題使用不同算法可產(chǎn)生不同仿真數(shù)據(jù)，精度受限。相對于觀測數(shù)據(jù)，仿真數(shù)據(jù)通常更大，可有效擴(kuò)充數(shù)據(jù)。在某些場景中，觀測和仿真數(shù)據(jù)結(jié)合機(jī)理知識生成融合數(shù)據(jù)，如氣象再分析數(shù)據(jù)。

2）模型構(gòu)建

根據(jù)輸入數(shù)據(jù)的性質(zhì)，算法會選擇合適的基礎(chǔ)模型進(jìn)行海浪預(yù)測等科學(xué)計(jì)算任務(wù)。對于二維球面數(shù)據(jù)，適合使用二維網(wǎng)絡(luò)模型；而三維數(shù)據(jù)則需使用三維網(wǎng)絡(luò)模型。這兩種模型可借鑒計(jì)算機(jī)視覺領(lǐng)域的卷積神經(jīng)網(wǎng)絡(luò)和視覺 Transformer 模型進(jìn)行預(yù)訓(xùn)練。同時，科學(xué)計(jì)算的特點(diǎn)在于利用人類經(jīng)驗(yàn)形成約束性質(zhì)的偏微分方程組，將其嵌入神經(jīng)網(wǎng)絡(luò)中可增強(qiáng)模型的魯棒性并降低擬合難度和不穩(wěn)定。

左圖為嵌入偏微分方程的神經(jīng)網(wǎng)絡(luò)示意圖，右圖為海浪預(yù)報問題使用的偏微分方程

3）案例和效果展示

下面我們來探討一個典型的科學(xué)計(jì)算案例，即全球海浪高度預(yù)測系統(tǒng)。海浪預(yù)測的輸入和輸出都是經(jīng)緯度網(wǎng)格點(diǎn)上的氣象要素數(shù)據(jù)，數(shù)據(jù)形式與視頻數(shù)據(jù)相似。但海浪數(shù)據(jù)是浮點(diǎn)數(shù)，不同于視頻數(shù)據(jù)的像素值。此外，海浪數(shù)據(jù)還滿足球坐標(biāo)條件下的一系列不變性，因此需要選定滿足特定不變性的CNN或者Transformer架構(gòu)。

盤古海浪預(yù)測模型的主體是考慮了旋轉(zhuǎn)不變性的視覺Transformer架構(gòu)，參數(shù)量約為五億。模型的損失函數(shù)由兩部分組成：實(shí)際數(shù)據(jù)上的預(yù)測誤差和海浪預(yù)測本身需要滿足的偏微分方程。通過使用全球近10年的實(shí)時海浪高度數(shù)據(jù)進(jìn)行訓(xùn)練，模型在驗(yàn)證集上預(yù)測的平均誤差小于5cm，與傳統(tǒng)預(yù)測方法相當(dāng)，完全可以滿足實(shí)際應(yīng)用需求。更重要的是，AI算法的預(yù)測時間較傳統(tǒng)方法大幅減少：在單張華為昇騰芯片上，1s之內(nèi)即可得到全球海浪高度預(yù)測，1分鐘內(nèi)能夠完成超過100次海浪預(yù)測任務(wù)，推理效率較傳統(tǒng)方法提升了4-5個數(shù)量級。

使用AI算法可以迅速得到不同可能的風(fēng)速條件下的海浪高度，進(jìn)行實(shí)時預(yù)測和未來情況模擬，對漁業(yè)養(yǎng)殖、災(zāi)害防控等場景具有極大的價值。

使用昇騰 AI 芯片，AI 模型可以在一秒內(nèi)給出成百上千組“隨機(jī)”風(fēng)速分布下的海浪分布

AI芯片：群賢畢至，花落誰家？

最近，由ChatGPT引領(lǐng)的AI熱潮再次興起，國內(nèi)外科技公司紛紛投入到大語言模型和生成式AI的研發(fā)中，展開一場對計(jì)算能力的競賽。GPT背后的核心算法是谷歌在2017年提出的Transformer，這種算法通過采用自我監(jiān)督預(yù)訓(xùn)練的方式，近乎無需人工干預(yù)，因此需要大量訓(xùn)練數(shù)據(jù)，再加上少量的有監(jiān)督微調(diào)和強(qiáng)化學(xué)習(xí)相結(jié)合。隨著更為復(fù)雜和多元化模型的涌現(xiàn)，高算力的AI芯片將充分受益于這種發(fā)展趨勢。然而，如果這些技術(shù)在消費(fèi)端的應(yīng)用僅僅停留在表面，那么其意義并不大。

一、英偉達(dá)的兩大護(hù)城河：高算力芯片和高粘性 CUDA 軟件生態(tài)

根據(jù)AI論文中不同芯片的引用數(shù)據(jù)，英偉達(dá)的芯片在AI研究領(lǐng)域廣受歡迎。其產(chǎn)品的使用率是ASIC的131倍，高出Graphcore、Habana、Cerebras、SambaNova和寒武紀(jì)五家公司總和的90倍，是谷歌TPU的78倍，是FPGA的23倍。通常，在人工智能領(lǐng)域，新模型的推出都會在相關(guān)論文中進(jìn)行發(fā)表，以便于信息交流與學(xué)術(shù)合作。英偉達(dá)在人工智能相關(guān)論文中的引用數(shù)量遙遙領(lǐng)先，這反映新算法需要采用英偉達(dá)GPU的必要性，以及其在學(xué)術(shù)界長期以來的重要地位和影響力。

英偉達(dá)芯片在 AI 論文中的引用數(shù)量遙遙領(lǐng)先

英偉達(dá)一直致力于開發(fā)高性能計(jì)算芯片的迭代，不斷在產(chǎn)品工藝、計(jì)算能力和存儲帶寬等方面進(jìn)行創(chuàng)新。針對高性能計(jì)算和深度學(xué)習(xí)應(yīng)用場景，英偉達(dá)基于其芯片架構(gòu)，推出一系列GPU產(chǎn)品，以提升張量核心和稀疏矩陣計(jì)算等功能。2023年，英偉達(dá)不滿足于單GPU的更新?lián)Q代，推出結(jié)合Grace CPU與Hopper GPU的GH200超級芯片，實(shí)現(xiàn)高達(dá)900GB/s的總帶寬，加速大規(guī)模AI和HPC應(yīng)用計(jì)算。在SIGGRAPH上，英偉達(dá)的AI芯片再次迎來升級，推出全球首次采用HBM3e內(nèi)存的GH200超級芯片。該芯片的帶寬高達(dá)每秒5TB，并提供141GB的內(nèi)存容量，適用于復(fù)雜的生成式人工智能工作負(fù)載，如大型語言模型、推薦系統(tǒng)和矢量數(shù)據(jù)庫等。

英偉達(dá) H100 與部分同業(yè)產(chǎn)品在運(yùn)行不同 AI 負(fù)載時表現(xiàn)

二、MI300A 和 GH200：CPU+GPU AI 芯片架構(gòu)仿生人腦結(jié)構(gòu)

MI300系列是AMD旗下的GPU產(chǎn)品，包括兩款產(chǎn)品：MI300X和MI300A。MI300X是一款純GPU產(chǎn)品，由12個chiplets（8個GPU+4個IO+Cache）組成，與英偉達(dá)的GPU H100相媲美。而MI300A是一款CPU+GPU產(chǎn)品，由13個chiplets（6個GPU+3個CPU+4個IO+Cache）組成，采用APU架構(gòu)（Zen 4 CPU + CNDA 3 GPU），與英偉達(dá)的異構(gòu)CPU+GPU芯片GH200競爭。

在參數(shù)上，MI300系列有許多值得關(guān)注的亮點(diǎn)。首先，MI300X的192GB HBM3內(nèi)存領(lǐng)先于英偉達(dá)H100雙卡NVL的188GB HBM3，更遠(yuǎn)超過H100 PCIe和SMX的80GB HBM3，而MI300A的128GB HBM3內(nèi)存也具有競爭力。其次，MI300X的晶體管數(shù)量為1530億，MI300A的晶體管數(shù)量為1460億，與H100的800億相比具有明顯優(yōu)勢。此外，內(nèi)存帶寬5.2TB/s與英偉達(dá)H100的2-7.2TB/s相近，Infinity Fabric互聯(lián)帶寬的896GB/s與NVLink的900GB/s相差無幾，但比H100高2.4X的HBM密度以及1.6X HBM帶寬則展示了AMD在GPU技術(shù)方面的優(yōu)勢。AMD在2023 CES大會上首次推出CPU+GPU的MI300，后改稱MI300A。作為MI系列的第一款CPU+GPU異構(gòu)產(chǎn)品，CPU+GPU架構(gòu)已成為AI芯片的趨勢。

在AI應(yīng)用中，GPU算力較高，適用于并行計(jì)算，在視頻處理、圖像渲染等方面具有優(yōu)勢，但并不是所有工作負(fù)載都只需要單純的GPU處理，還需要由CPU進(jìn)行控制調(diào)用，發(fā)布指令。因此，在CPU+GPU架構(gòu)中，CPU可以負(fù)責(zé)控制和發(fā)出指令，指示GPU處理數(shù)據(jù)和完成運(yùn)算（如矩陣運(yùn)算）。值得一提的是，MI300A中的CPU采用的是x86架構(gòu)，而GH200中的CPU采用的是ARM架構(gòu)。兩種架構(gòu)各有優(yōu)勢，一般來說，ARM架構(gòu)主要應(yīng)用于移動端，因此相比x86能耗較低，這一點(diǎn)在AI和數(shù)據(jù)中心的應(yīng)用中都會受到青睞。

AMD Instinct MI 系列 GPU 發(fā)展歷程

三、谷歌 TPU：少數(shù)能與英偉達(dá)高算力 GPU 匹敵的 AI 芯片

谷歌的TPU（Tensor Processing Unit）是云廠商自研AI芯片的典型例子之一，從2017年開始已具備訓(xùn)練和推理能力。谷歌TPU是少數(shù)能夠與英偉達(dá)高算力GPU相匹敵的AI芯片。在架構(gòu)與性能參數(shù)上不斷迭代，第一代TPU從2015年開始被使用于谷歌云計(jì)算數(shù)據(jù)中心的機(jī)器學(xué)習(xí)應(yīng)用中，當(dāng)時僅面向推理端，但從2017年推出第二代開始，TPU已同時擁有訓(xùn)練和推理能力。第三代TPU于2018年發(fā)布，旨在提高性能和能效以滿足不斷增長的機(jī)器學(xué)習(xí)任務(wù)需求。第四代TPU于2021年發(fā)布，而專為中大規(guī)模訓(xùn)練和推理而構(gòu)建的TPUv5e于2023年發(fā)布。與TPUv4相比，TPUv5e可為大語言模型提供高達(dá)2倍的訓(xùn)練性能和2.5倍的推理性能，并能節(jié)約一半以上的成本。谷歌目前僅通過谷歌云服務(wù)平臺向外部客戶提供TPU的算力租賃服務(wù)，而未有將其作為硬件產(chǎn)品出售。

2016 年至今谷歌云計(jì)算、AI 芯片、機(jī)器學(xué)習(xí)及 AI 應(yīng)用賦能進(jìn)程梳理

四、亞馬遜 AWS：Trainium & Inferentia，訓(xùn)練推理雙管齊下

AWS于2018年和2020年分別發(fā)布AI推理芯片Inferentia和訓(xùn)練芯片Trainium，隨后在2023年推出第二代Inferentia，并在AWS云上提供給客戶使用。亞馬遜在2015年收購以色列芯片設(shè)計(jì)公司AnnapumaLabs，從而開始自研AI芯片的旅程，而第一代Inferentia正是源自該公司的技術(shù)。AWS的AI芯片搭配AWSNeuron開發(fā)軟件包，其中包含可用于兼容TensorFlow和PyTorch的編譯器。2023年5月，亞馬遜表示計(jì)劃將其自研的大語言模型“AlexaTeacherModel”（AlexaTM）接入智能語音助手Alexa。Alexa此前已經(jīng)接入亞馬遜Echo智能音箱等智能硬件設(shè)備，并使用Inferentia進(jìn)行推理。

AWS Inferentia2 芯片架構(gòu)

Trainium是一款在云端進(jìn)行訓(xùn)練的AI芯片，其表現(xiàn)相較于A100更為優(yōu)秀，同時也具有更高的性價比。Trainium是AWS專為超過1000億參數(shù)規(guī)模的大模型打造的AI芯片，于2020年發(fā)布，目前仍處于第一代。每個Trainium配備了容量為32GB、帶寬為820GB/s的HBM2e，提供了FP16算力190TFLOPS（英偉達(dá)A100的FP16算力為624TFLOPS）和FP32算力47.5TFLOPS，并支持包括可配置的FP8在內(nèi)的多種數(shù)據(jù)精度。Trainium使用的互聯(lián)技術(shù)是AWS的NeuronLink（超高速非阻塞互連技術(shù)，v2代），互聯(lián)速度達(dá)到了768GB/s，相比之下，NVLink4.0的互聯(lián)速度為900GB/s。根據(jù)AWS官網(wǎng)的信息，Trainium實(shí)例的內(nèi)存容量比英偉達(dá)A100實(shí)例高出60%，互聯(lián)帶寬高出2倍。使用130個Trainium實(shí)例訓(xùn)練GPT-3只需要2周，而根據(jù)英偉達(dá)與微軟的論文《Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM》，使用1024顆A100進(jìn)行訓(xùn)練需要34天。2022年，AWS推出的Trn1AI平臺可以部署最多16個Trainium，在AWS云上進(jìn)行AI模型訓(xùn)練。相較于同類型的AmazonEC2實(shí)例，以Trainium為支撐的Trn1實(shí)例可以節(jié)約50%的訓(xùn)練成本，而在亞馬遜廣告模型訓(xùn)練中，這一成本節(jié)約甚至高達(dá)70%。

AWS 的 in-house 大語言模型 Alexa Teacher Model

Inferentia 推理卡已經(jīng)迭代兩代，并被用于亞馬遜硬件終端的 AI 服務(wù)。2018 年推出的第一代 Inferentia 配備了 8 GB 帶寬為 50GB/s 的 DDR4 內(nèi)存，而 2023 年 4 月正式推出的第二代 Inferentia 2 則配備了 32 GB 帶寬為 820GB/s 的 HBM2e 內(nèi)存，F(xiàn)P16 算力達(dá)到 190 TFLOPS，相比一代 Inferentia（64 TFLOPS）提高2 倍，主要針對高性能深度學(xué)習(xí)推理應(yīng)用程序進(jìn)行設(shè)計(jì)。

根據(jù)亞馬遜官網(wǎng)的信息，相比第一代 Inferentia，第二代的延遲降低十分之一，吞吐量提高四倍。由于大規(guī)模終端設(shè)備 AI 模型對云端推理能力要求較高，而自研 AI 芯片等信息基礎(chǔ)設(shè)施和自身應(yīng)用可以進(jìn)行針對性的相互適配與優(yōu)化，Amazon 人工智能助手 Alexa 使用以 Inferentia 為支撐的 Inf 實(shí)例進(jìn)行推理負(fù)載。

除與 AWS 生態(tài)捆綁外，客戶還可以通過開發(fā)工具包 AWS Neuron，以及使用 Amazon Sagemaker（AWS 機(jī)器學(xué)習(xí)平臺）、Amazon Elastic Container Service（ECS，AWS 容器托管方案）、Amazon Elastic Kubernetes Service（EKS）等服務(wù)來快速開始使用 Inf 和 Trn 實(shí)例，并分別使用底層 Inferentia 和 Trainium 芯片能力。目前 AWS 上使用 Inferentia 承擔(dān)推理工作負(fù)載的客戶包括 Airbnb（愛彼迎，房屋租賃平臺）、Snap（圖片類社交媒體平臺）、Sprinklr（SCRM 社交媒體營銷公司）、Money Forward（金融科技公司）和 Finch Computing（AI 初創(chuàng)公司）等；而使用 Inferentia2 的客戶則包括 Hugging Face（機(jī)器學(xué)習(xí)公司）、Qualtrics（自動化管理軟件公司）和 Finch Computing（亦為 Inf1 客戶）等。

使用 inf1 實(shí)例將推理服務(wù)部署到 AWS ECS 容器托管集群

五、Meta：首個自研推理端芯片 MTIA 將于 2025 年問世

Meta 在 2023 年 5 月發(fā)布自主研發(fā)的 AI 芯片 MTIA，該芯片主要針對推理工作，從 2020 年開始設(shè)計(jì)，預(yù)計(jì)于 2025 年正式推出，采用臺積電 7nm 制程。MTIAv1 是針對推理端的產(chǎn)品，使用最高 128GB 的 LPDDR5 內(nèi)存，采用 RISC-V 架構(gòu)，并配合基于 PyTorch 的軟件包。與其他云廠商自主研發(fā)的 AI 芯片類似，MTIA 是針對公司內(nèi)部應(yīng)用和模型量身定制的 ASIC，尤其是針對 Meta 旗下產(chǎn)品所需的 feed（例如 Instagram 的用戶瀏覽界面）貼文推薦算法進(jìn)行了優(yōu)化。與通用芯片相比，MTIA 可以實(shí)現(xiàn)降本增效。

Meta 的超級計(jì)算機(jī)由約 16,000 片英偉達(dá) A100 GPU 構(gòu)成，已被用于訓(xùn)練 LLaMA 模型。目前，Meta 沒有推出專用于訓(xùn)練階段的芯片，而是使用基于英偉達(dá) A100 GPU 的內(nèi)部生產(chǎn)集群進(jìn)行訓(xùn)練。Meta 的 AI 超級計(jì)算機(jī) RSC（Research Super Cluster）由約 16,000 片英偉達(dá) A100 GPU 構(gòu)成（2000 臺英偉達(dá) DGX A100），通過 NVIDIA Quantum InfiniBand 16 Tb/s 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行連接。Meta 表示，其使用 RSC（除此外還包括由 A100 GPU 組成的內(nèi)部生產(chǎn)集群）來訓(xùn)練其在 2023 年 2 月發(fā)布的 70-650 億參數(shù)的開源大模型 LLaMA。其中，650 億參數(shù)的 LLaMA 模型在 2048 片英偉達(dá) A100 GPU 上花費(fèi) 21 天完成預(yù)訓(xùn)練。2023 年 7 月，Meta 發(fā)布了免費(fèi)可商用的 LLaMA2 版本，與第一代相比，LLaMA2 作為升級版本包括 70 億、130 億和 700 億三個參數(shù)版本，使用了 1.4 倍容量的數(shù)據(jù)集，并采用了分組查詢注意力機(jī)制，同樣使用 RSC 工作負(fù)載進(jìn)行預(yù)訓(xùn)練。據(jù) Meta 評估，多項(xiàng)測評結(jié)果顯示 LLaMA 2 在推理、精通性、編碼和知識測試等諸多外部基準(zhǔn)測試中均優(yōu)于其他開源語言模型。

SAM 模型總覽示意圖

英偉達(dá)顯卡與華為對比

當(dāng)談到千卡集群GPT3模型訓(xùn)練性能時，華為當(dāng)代Atlas集群以其卓越的表現(xiàn)領(lǐng)先于NV DGXA800集群1.2倍。華為當(dāng)代Atlas集群作為一種先進(jìn)的計(jì)算平臺，以其出色的計(jì)算能力和高效的數(shù)據(jù)處理能力而聞名，為大規(guī)模深度學(xué)習(xí)模型的訓(xùn)練任務(wù)提供了有力的支持。

華為當(dāng)代Atlas集群的卓越性能源于其先進(jìn)的硬件設(shè)計(jì)和優(yōu)化的軟件架構(gòu)。該集群采用了高性能的GPU加速器和高速互聯(lián)網(wǎng)絡(luò)，這使得數(shù)據(jù)傳輸和計(jì)算速度得以顯著提升。這種卓越的硬件設(shè)計(jì)與華為自主研發(fā)的優(yōu)化算法和分布式訓(xùn)練框架相結(jié)合，進(jìn)一步提升了模型訓(xùn)練的效率。

與NV DGXA800集群相比，華為當(dāng)代Atlas集群在千卡集群GPT3模型訓(xùn)練性能上具有明顯的優(yōu)勢。使用華為當(dāng)代Atlas集群進(jìn)行訓(xùn)練任務(wù)，能夠以更快的速度完成模型訓(xùn)練，從而提高工作效率。這種領(lǐng)先性能的差距不僅體現(xiàn)在訓(xùn)練時間上，還可以在模型的收斂速度和訓(xùn)練結(jié)果的質(zhì)量上得到體現(xiàn)。

華為當(dāng)代Atlas集群的領(lǐng)先性能使其成為深度學(xué)習(xí)研究人員和工程師的首選。無論是進(jìn)行大規(guī)模數(shù)據(jù)訓(xùn)練還是進(jìn)行復(fù)雜模型的訓(xùn)練任務(wù)，華為當(dāng)代Atlas集群都能夠提供卓越的性能和可靠的支持，幫助用戶更快地實(shí)現(xiàn)預(yù)期的訓(xùn)練目標(biāo)。

藍(lán)海大腦大模型訓(xùn)練平臺

藍(lán)海大腦大模型訓(xùn)練平臺提供強(qiáng)大的算力支持，包括基于開放加速模組高速互聯(lián)的AI加速器。配置高速內(nèi)存且支持全互聯(lián)拓?fù)洌瑵M足大模型訓(xùn)練中張量并行的通信需求。支持高性能I/O擴(kuò)展，同時可以擴(kuò)展至萬卡AI集群，滿足大模型流水線和數(shù)據(jù)并行的通信需求。強(qiáng)大的液冷系統(tǒng)熱插拔及智能電源管理技術(shù)，當(dāng)BMC收到PSU故障或錯誤警告（如斷電、電涌，過熱），自動強(qiáng)制系統(tǒng)的CPU進(jìn)入ULFM（超低頻模式，以實(shí)現(xiàn)最低功耗）。致力于通過“低碳節(jié)能”為客戶提供環(huán)保綠色的高性能計(jì)算解決方案。主要應(yīng)用于深度學(xué)習(xí)、學(xué)術(shù)教育、生物醫(yī)藥、地球勘探、氣象海洋、超算中心、AI及大數(shù)據(jù)等領(lǐng)域。

一、為什么需要大模型？

1、模型效果更優(yōu)

大模型在各場景上的效果均優(yōu)于普通模型

2、創(chuàng)造能力更強(qiáng)

大模型能夠進(jìn)行內(nèi)容生成（AIGC），助力內(nèi)容規(guī)模化生產(chǎn)

3、靈活定制場景

通過舉例子的方式，定制大模型海量的應(yīng)用場景

4、標(biāo)注數(shù)據(jù)更少

通過學(xué)習(xí)少量行業(yè)數(shù)據(jù)，大模型就能夠應(yīng)對特定業(yè)務(wù)場景的需求

二、平臺特點(diǎn)

1、異構(gòu)計(jì)算資源調(diào)度

一種基于通用服務(wù)器和專用硬件的綜合解決方案，用于調(diào)度和管理多種異構(gòu)計(jì)算資源，包括CPU、GPU等。通過強(qiáng)大的虛擬化管理功能，能夠輕松部署底層計(jì)算資源，并高效運(yùn)行各種模型。同時充分發(fā)揮不同異構(gòu)資源的硬件加速能力，以加快模型的運(yùn)行速度和生成速度。

2、穩(wěn)定可靠的數(shù)據(jù)存儲

支持多存儲類型協(xié)議，包括塊、文件和對象存儲服務(wù)。將存儲資源池化實(shí)現(xiàn)模型和生成數(shù)據(jù)的自由流通，提高數(shù)據(jù)的利用率。同時采用多副本、多級故障域和故障自恢復(fù)等數(shù)據(jù)保護(hù)機(jī)制，確保模型和數(shù)據(jù)的安全穩(wěn)定運(yùn)行。

3、高性能分布式網(wǎng)絡(luò)

提供算力資源的網(wǎng)絡(luò)和存儲，并通過分布式網(wǎng)絡(luò)機(jī)制進(jìn)行轉(zhuǎn)發(fā)，透傳物理網(wǎng)絡(luò)性能，顯著提高模型算力的效率和性能。

4、全方位安全保障

在模型托管方面，采用嚴(yán)格的權(quán)限管理機(jī)制，確保模型倉庫的安全性。在數(shù)據(jù)存儲方面，提供私有化部署和數(shù)據(jù)磁盤加密等措施，保證數(shù)據(jù)的安全可控性。同時，在模型分發(fā)和運(yùn)行過程中，提供全面的賬號認(rèn)證和日志審計(jì)功能，全方位保障模型和數(shù)據(jù)的安全性。

三、常用配置

1、處理器CPU:

Intel Xeon Gold 8358P 32C/64T 2.6GHz 48MB,DDR4 3200,Turbo,HT 240W

Intel Xeon Platinum 8350C 32C/64T 2.6GHz 48MB,DDR4 3200,Turbo,HT 240W

Intel Xeon Platinum 8458P 28C/56T 2.7GHz 38.5MB,DDR4 2933,Turbo,HT 205W

Intel Xeon Platinum 8468 Processor 48C/64T 2.1GHz 105M Cache 350W

AMD EPYC? 7742 64C/128T,2.25GHz to 3.4GHz,256MB,DDR4 3200MT/s,225W

AMD EPYC? 9654 96C/192T,2.4GHz to 3.55GHz to 3.7GHz,384MB,DDR5 4800MT/s,360W

2、顯卡GPU：

NVIDIA L40S GPU 48GB

NVIDIA NVLink-A100-SXM640GB

NVIDIA HGX A800 80GB

NVIDIA Tesla H800 80GB HBM2

NVIDIA A800-80GB-400Wx8-NvlinkSW

審核編輯 黃宇