全球权威基准评测MLPerf每次发榜，都成了巨头大秀肌肉的主场。最新公布的MLPerf 2.0榜单也不例外，有21家公司和机构提交了MLPerf基准测试成绩，多数依旧是广为人知的大厂。

不过，形势也在悄悄发生改变，巨头也许能“打满全场”，但具备良好软平台和生态建设能力的初创企业，也在一些细分领域崭露头角。英国初创企业Graphcore（拟未）在本次MLPerf Training 2.0提交中，就收获了亮眼成绩，并且联合进一步拓展了生态潜力。

与上次提交相比，Graphcore分别在图像分类模型ResNet-50和自然语言处理模型BERT上实现了31%和37%的性能提升。此外，Graphcore还新增了语音转录模型RNN-T的提交。

Graphcore此次在封闭分区面向ResNet-50和BERT两个模型提交了以3D WoWBow IPU为核心的Bow系统，包括Bow Pod16、Bow Pod64、Bow Pod128和Bow Pod256。和前代产品相比，Bow系统在提供更优性能的同时价格保持不变，进一步提升了Graphcore系统的性价比优势。结果显示，与上次提交相比，ResNet-50的训练时间提升高达31%，BERT的训练时间提升37%。

在GPU占据优势的模型ResNet-50上，Bow Pod16仅耗时19.6分钟，表现优于旗舰产品DGX-A100 640GB所需的28.7分钟，再一次体现了Bow系统的性价比优势。

除此之外，Graphcore还提交了RNN-T在开放分区中的结果。RNN-T是一种进行高度准确的的精密方式，在移动设备上被广泛使用。在Bow Pod64上，RNN-T的训练时间可以从原本的几周缩短到几天。

Graphcore中国工程副总裁、AI算法科学家金琛表示，本次MLPerf的提交有三大宗旨：首先，Graphcore成功提交了不同规格、不同尺度的Bow IPU计算平台。Bow IPU系列发布于今年3月份，不久后，这些Bow产品就被纳入到了提交集合中——包括Bow Pod16、Bow Pod64、Bow Pod128、Bow Pod256，并且最终取得了亮眼的成绩。第二，在众多参与本次MLPerf测试的中，Graphcore是唯一有差异化处理器架构平台的。第三，Graphcore投入大量人力物力参加MLPerf榜单竞赛，希望和其他AI芯片公司同场竞技、互相学习，促进彼此的性能提升。

Graphcore IPU芯片作为MIMD架构的图处理器，包括了1472个独立的处理器核，是一个多核分布式、片上内存分布式的多指令、多数据的处理器，而英伟达、谷歌、的芯片都属于SIMD向量处理器。金琛指出，这是芯片架构上根本的差异化。对于这些公司能够支持的模型，Graphcore IPU不仅同样支持，还能够让这些模型高效运行，这是较大的差异化优势，并且拥有更多的可能性。
 

除了硬件的迭代升级，Graphcore也在逐步打磨和提高整个栈。经过几代IPU-POD平台的演进，Graphcore在软件上做了大量优化。这也体现在历届MLPerf提交结果的性能表现上，IPU-POD计算平台发布于2020年第四季度，当时的软件栈是 1.4；Graphcore首次参与MLPerf的提交是在2021年第二季度，当时软件栈已经升级到SDK 2.1；直到今天，伴随Bow平台在MLPerf 2.0的提交，软件栈已经升级到SDK 2.5。

从SDK 1.4到SDK 2.5，对不同AI框架的支持得到了提升，比如TensorFlow、PyTorch和百度飞桨，并且还提供对高层框架的支持，开发者可以通过高级快速构造模型。

金琛表示，从MLPerf的提交来看，Graphcore基本上每半年就会有很大的提升，对于一家拥有七百名员工的芯片公司来说，这个迭代速度相当惊人。

从Graphcore本次提交的产品的规格来看（下图），从左到右来看，尺度从小到大，从低到高，比如Bow Pod16整体算力为5.6 PetaFLOPS，到Bow Pod256整体算力约90 PetaFLOPS，接近一些的算力规模。

 
在ResNet-50的提交结果中，可以对比去年年底的数据来看。当时，在和英伟达DGX-A100的对比中，Graphcore超过英伟达，IPU-POD16训练耗时28.3分钟；本次提交中，这一结果继续刷新，IPU-POD16训练耗时为19.64分钟，而Bow Pod256，训练时间仅需2.67分钟。从几年前的一个小时到现在只需大概3分钟，算力进步给模型迭代带来了实实在在的红利。

BERT提交方面，从Bow Pod16到Bow Pod256，也几乎是线性的提升结果。

金琛补充，系统越大，进一步提升就越难。为此，Graphcore在大尺度系统上做了很多集合（collective communication）上的优化，使得在大尺度系统上的表现也有类似的同比例提升。

对比去年ResNet的提交结果，硬件、软件整体都有明显提升。从IPU-POD16到Bow Pod16，训练时间提升了31%，吞吐量的提升约为1.6倍，其中1.3倍来自硬件提升，1.26倍来自软件提升。Bow Pod256则提升了接近30%。

BERT和ResNet的提升幅度类似，训练时间提升了接近37%，吞吐量提升了1.6倍。
 

回顾历届MLPerf测试，像英伟达这种各方面实力都雄厚的公司，几乎每次都是携手生态伙伴参与多项测试。但是对于初创公司来说，通常少有第三方使用其系统进行提交，因为这背后需要大量的软硬件支持和生态协同工作。

金琛坦言软件生态非常重要，Graphcore花费了大量时间和资源来优化软件，从SDK 1.0时并无太多生态商的支持，到目前已经可以较为轻松地接入不同的AI框架生态。她强调，除了英伟达之外，Graphcore是为数不多具备足够的软件成熟度的芯片公司，这是一个重要的里程碑。

也正是基于以往的耕耘和积累，在本次MLPerf提交中，首次有第三方使用了Graphcore的系统——百度飞桨使用Bow Pod16和Bow Pod64进行了BERT在封闭分区的提交，结果与Graphcore使用PopART进行提交的结果几乎一致。

 
这证明了Graphcore IPU性能的跨框架复现能力，也体现了Graphcore灵活的硬件系统、持续优化的软件、强大的本地支持和合作伙伴的支持，以及IPU生态的强劲潜力。

百度飞桨产品团队负责人赵乔介绍，Graphcore是百度飞桨硬件生态圈的创始成员，并在2022年5月正式加入了百度飞桨发起的硬件生态共创计划。目前，百度飞桨已经实现了对于Graphcore IPU的全面支持。

他表示，百度飞桨早期方案主要对接英伟达CUDA或 ROCm等软件栈。随着近几年各种类型硬件厂商的增加，几乎每家厂商采用不同的软件栈来提升性能和开发效率，这就要求飞桨也要不断更新，或者增加与硬件厂商对接的技术方案，包括已有的算子开发、、格式等方案。而Graphcore给百度飞桨带来的新思路，就是以子图或者整图的方式，跟硬件厂商做高效率对接。

“Graphcore是首家在训练场景中采用整图接入方案的硬件厂商，最终的成果其实可以通过MLPerf 2.0的提交看到，无论是基于PopART还是百度飞桨的成绩，基本上性能一致性比较高”，赵乔透露，“其实在得到这个成果之前，百度飞桨大概有半年多的时间都在对框架进行改造，实现能够以整图方式和硬件厂商更好地对接。这是在整体训练过程中，Graphcore提供的创新思路，也帮助百度飞桨跟硬件厂商对接的软件栈得到了更好的升级。”

谈及未来的生态合作，赵乔表示，以技术为核心，百度飞桨会继续与Graphcore协同创新，在硬件的适配等方面不断更新共创思路。当然也会把核心的技术创新进行产品化，无论是百度飞桨还是Graphcore的软件栈，或是在Graphcore的模型花园为开发者提供更偏面的开发工具。双方将基于上述内容在生态方面继续展开合作，落地产业、开展真实应用。

据介绍，双方还将在AI Studio上开设Graphcore硬件应用专区，基于这个平台更好地为开发者提供更多创新工具，推动AI生态繁荣，赋能产业中AI的应用和AI的商业化。

当前面临的挑战主要是，密集的网络架构正在推动计算量不可持续的增长。举个例子，2018年BERT-Large模型计算量约为3.3亿规模，到2020年GPT3已经增至1750亿模型规格，短短两年时间，模型几乎增长了500倍。预测未来2-4年，模型计算量可能继续产生百倍增长，基本上达到相当于人脑的100万亿规模。

金琛表示，算力远远达不到模型计算量指数增长的趋势，如何能够尽量接近模型增长的速度，这是Graphcore接下来重点考虑的问题。

为了探索和实践新的模型方法，Graphcore当前已经就模型创新展开了业界合作。比如和欧洲人工智能公司Aleph Alpha的合作，双方希望对、做出联合贡献。

此外，还有为百万亿参数量的模型打造的Good Computer（古德），其中，8192个路线图IPU，能够提供超过10 Exa-Flops的。当前采用的是3D Wafer-on-Wafer的Bow芯片，AI算力350T，未来也许会继续向3D Wafer-on-Wafer的方向进一步演进。

与此同时，如果要支持百万亿参数的AI模型，需要最高4PB的存储、10 PB/s的带宽来支持高速运算。此外，Poplar软件也需继续迭代，支持大算力、大模型的要求。

此次MLPerf 2.0，Graphcore参与了Language和Computer Vision两项基准测试。对于所参与项目以及下一次MLPerf的考虑，金琛表示，MLPerf整个验证过程其实需要投入很多人力和物力，Graphcore在平衡客户服务和参与MLPerf之间做了一个权衡。当前肯定还会继续投入，优化BERT和ResNet。如果有客户需求和MLPerf能够完美结合的场景，也会去进行拓展，比如RNN-T的提交。

金琛强调，除了在MLPerf打榜，Graphcore更注重对客户的价值体现，希望将客户需求转化为具体的模型能力，一方面与业界流行的模型紧密结合；另一方面，针对通过硬件加速能够带来较大收益的HPC领域，以及金融领域等，都在同步开发和研究，以扩大模型的丰富度，寻求更为繁荣的生态发展和更为广泛的商业落地机会。