英伟达A100 GPU推理性能最高达CPU的237倍！临界点到来？雷锋网消息

雷锋网消息， MLPerf组织今天发布最新的推理基准测试（Benchmark）MLPerf Inference v0.7结果，总共有23个组织提交了结果，相比上一个版本（MLPerf Inference v0.5）的12个提交者增加了近一倍。
文章插图
结果显示，今年5月英伟达（Nvidia）发布的安培（Ampere）架构A100 Tensor Core GPU在云端推理的基准测试性能是最先进英特尔CPU的237倍。
文章插图
MLPerf Inference V0.7部分结果截图
最新的AI推理测试结果意味着英伟达未来可能在AI推理和训练市场都占据领导地位，给云端AI推理市场拥有优势的英特尔带来更大压力的同时，也将让其他追赶者面临更大挑战。
MLPerf推理基准测试进一步完善的价值
与2019年的MLPerf Inference v0.5版本相比，最新的0.7版本将测试从AI研究的核心视觉和语言的5项测试，扩展了到了包括推荐系统、自然语言理解、语音识别和医疗影像应用的6项测试，并且有分别针对云端和终端推理的测试，还加入了手机和笔记本电脑的结果。扩展的测试项从MLPerf和业界两个角度都有积极意义。
文章插图
MLPerf Inference v0.5测试项
文章插图
MLPerf Inference v0.7数据中心测试项
文章插图
MLPerf Inference v0.7边缘端测试项
任何一个基准测试都需要给业界具有参考价值的指标。 MLPerf基准测试是在业界缺乏对AI芯片公认的评价标准的2018年诞生，因此， MLPerf组织既需要给出各方都认可的成绩，还需要根据AI行业的发展完善评价标准。
不过， AI行业发展迅速， AI模型的参数越来越多，应用的场景也越来越广泛。评价AI芯片和系统的推理性能需要涵盖可编程性、延迟、准确性、模型大小、吞吐量、能效等指标，也需要选择更具指导价值的模型和应用。
此次增加的推荐系统测试对于互联网公司意义重大。在王喆的《深度学习推荐系统》一书中提到， 2019年天猫“双11”的成交额是2684亿元，假设推荐系统进行了优化，整体的转化率提高1% ，那么增加的成交额大约为26.84亿元。
另外， MLPerf Inference v0.7中增加医疗影像3D U-Net模型测试与新冠大流行以及AI在医疗行业的重要性与日俱增密切相关，比如一家初创公司使用AI简化了超声心电图的采集工作，在新冠大流行初期发挥了作用。
基准测试从v0.5到v0.7 ，能够为要选用AI芯片和系统的公司提供更直观和有价值的参考是MLPerf基准测试的价值所在，比如，帮助金融结构的会话式AI更快速回答客户问题，帮助零售商使用AI保证货架库存充足。
与此同时，这也将促进MLPerf组织在业界的受认可程度，从接近翻倍的提交成绩的组织就能看出来。
GPU云端推理性能最高是CPU的237倍
过去几年，云端AI训练市场英伟达拥有绝对优势，云端AI推理市场被英特尔赚取了大部分利润是事实。这让不少人都产生了GPU更适合训练而CPU更适合推理的认知，但MLPerf最新的推理测试结果可能会改变这一观点。
MLPerf Inference V0.7的测试结果显示，在数据中心OFFLINE（离线）测试模式下，赛灵思U250和英特尔Cooper Lake在各个测试模型下与英伟达T4的差距不大，但A100对比CPU、FPGA和自家的T4就有明显的性能差距。
文章插图
在SERVER模式下的推荐系统DLRM模型下， A100 GPU对比英特尔Cooper Lake有最高237倍的性能差距，在其他模型下也有比较显著的差距。值得注意的是，英特尔的Cooper Lake系统的状态还是预览，其余三款芯片的系统都已经可用。
文章插图
A100 GPU的优势也在边缘推理中也十分明显。在单数据流（Singel-Stream）测试中， A100对比英伟达T4和面向边缘终端的英伟达Jetson AGX Xavier有几倍到十几倍的性能优势。在多数据流（Multi-Stream）测试中， A100对比另外两款自家产品在不同AI模型中有几倍到二十多倍的性能优势。
文章插图
在边缘OFFLINE模式下， A100对比T4和Jetson AGX Xavier也有几倍到二十多倍的性能优势。