車載大模型分析揭示:存儲帶寬對性能影響遠超算力

車載大模型的定義尚無，傳統(tǒng)大模型即LLM的參數(shù)一般在70億至2000億之間，而早期的CNN模型參數(shù)通常不到1000萬，CNN模型目前大多做骨干網(wǎng)使用，參數(shù)飛速增加。特斯拉使用META的RegNet，參數(shù)為8400萬，消耗運算資源很少，得分82.9也算不低；小米UniOcc使用META的ConvNeXt-B，參數(shù)8900萬，消耗運算資源最少，得分83.8；華為RadOcc使用微軟的Swin-B，參數(shù)8800萬。相對于早期的CNN模型，這些都可以叫大模型，但要與真正意義上的ChatGPT之類的LLM大模型比，這些是小模型都稱不上，只能叫微模型。

不過，端到端的出現(xiàn)改變了這一現(xiàn)狀，端到端實際上是內(nèi)嵌了一個小型LLM，隨著喂養(yǎng)數(shù)據(jù)的增加，這個大模型的參數(shù)會越來越大，最初階段的模型大小大概是100億參數(shù)，不斷迭代，最終會達到1000億以上。非安全類的大模型應(yīng)用基本不用考慮計算問題，所以只要是個手機都敢說能跑數(shù)百億的大模型，實際很多算力不如手機的電腦也能跑，因為延遲多幾秒幾十秒也沒有問題，但自動駕駛必須將延遲降低到幾十毫秒內(nèi)。但你要以為這對算力要求更高了，那就大錯特錯了，存儲帶寬遠比算力重要千倍。

當(dāng)前的主流 LLM 基本都是Decoder Only的Transformer模型，其推理過程可分為兩個階段：

圖片來源：論文 A Survey on Efficient Inference for Large Language Models

Prefill：根據(jù)輸入Tokens（Recite, the, first, law, of, robotics） 生成第一個輸出 Token（A），通過一次Forward就可以完成，在Forward中，輸入Tokens間可以并行執(zhí)行（類似 Bert這些Encoder模型），因此執(zhí)行效率很高。

Decoding：從生成第一個Token（A）之后開始，采用自回歸方式一次生成一個Token，直到生成一個特殊的Stop Token（或者滿足用戶的某個條件，比如超過特定長度）才會結(jié)束，假設(shè)輸出總共有N個Token，則Decoding階段需要執(zhí)行N-1次Forward，這N-1次Forward 只能串行執(zhí)行，效率很低。另外，在生成過程中，需要關(guān)注的Token越來越多（每個Token 的生成都需要Attention之前的Token），計算量也會適當(dāng)增大。

LLM推理計算過程時間分布

圖片來源：論文Memory Is All You Need: An Overview of Compute-in-Memory Architectures for Accelerating Large Language Model Inference

在車載自動駕駛應(yīng)用場合，序列長度基本可等同于攝像頭的像素數(shù)量和激光雷達的點云密度。

圖片來源：論文Memory Is All You Need: An Overview of Compute-in-Memory Architectures for Accelerating Large Language Model Inference

在 LLM 推理中最關(guān)鍵的就是上圖中的Multi-Head Attention（MHA），其主要的計算集中在左圖中灰色的 Linear（矩陣乘）和Scaled Dot-Product Attention中的MatMul 矩陣乘法。

圖中的Mask是一個下三角矩陣，也是因為這個下三角矩陣實現(xiàn)了LLM Decoder的主要特性，每個Token都只能看到當(dāng)前位置及之前的Token。其中的QKV可以理解為一個相關(guān)性矩陣，4個Token對應(yīng)4 個Step，其中：

Step 2依賴Step 1的結(jié)果，相關(guān)性矩陣的第1行不用重復(fù)計算。

Step 3依賴Step 1和Step 2的結(jié)果，相關(guān)性矩陣的第1行和第2行不用重復(fù)計算。

Step 4依賴Step 1、Step 2和Step 3的結(jié)果，相關(guān)性矩陣的第1行、第2行和第3行不用重復(fù)計算。

在Decoding階段Token是逐個生成的，上述的計算過程中每次都會依賴之前的結(jié)果，換句話說這是串行計算，而非GPU擅長的并行計算，GPU大部分時候都在等待數(shù)據(jù)搬運。加速的辦法是計算當(dāng)前Token時直接從KV Cache中讀取而不是重新計算，對于通用LLM，應(yīng)用場景是要考慮多個并發(fā)客戶使用，即Batch Size遠大于1，KV Cache的緩存量會隨著Batch Size暴增，但在車里用戶只有一個，就是自動駕駛端到端大模型，即Batch Size為1。

因為Decoding階段Token逐個處理，使用KV Cache之后，上面介紹的Multi-Head Attention 里的矩陣乘矩陣操作全部降級為矩陣乘向量即GEMV。此外，Transformer模型中的另一個關(guān)鍵組件FFN 中主要也包含兩個矩陣乘法操作，但 Token之間不會交叉融合，也就是任何一個Token都可以獨立計算，因此在Decoding階段不用Cache之前的結(jié)果，但同樣會出現(xiàn)矩陣乘矩陣操作降級為矩陣乘向量。Prefill階段則是GEMM，矩陣與矩陣的乘法。

矩陣乘向量操作是明顯的訪存bound，而以上操作是LLM推理中最主要的部分，這也就導(dǎo)致LLM推理是訪存bound類型。

三星對GPT大模型workload分析

圖片來源：SAMSUNG

上圖是三星對GPT大模型workload分析。在運算操作數(shù)量上，GEMV所占的比例高達86.53%；在大模型運算延遲分析上，82.27%的延遲都來自GEMV，GEMM所占只有2.12%，非線性運算也就是神經(jīng)元激活部分占的比例也遠高于GEMM。

三星對GPU利用率的分析

圖片來源：SAMSUNG

上圖是三星對GPU利用率的分析，可以看出在GEMV算子時，GPU的利用率很低，一般不超過20%，換句話說80%的時間GPU都是在等待存儲數(shù)據(jù)的搬運。還有如矩陣反轉(zhuǎn)，嚴格地說沒有任何運算，只是存儲行列對調(diào)，完全是存儲器和CPU在忙活。解決辦法很簡單且只有一個，就是用HBM高寬帶內(nèi)存。

與傳統(tǒng)LLM最大不同就是車載的Batch Size是1，導(dǎo)致GPU運算效率暴跌，傳統(tǒng)LLM的Batch Size通常遠大于1，這讓GPU效率增加。

圖片來源：論文SARATHI: Effcient LLM Inference by Piggybacking Decodes with Chunked Preflls

圖上不難看出，Batch Size越大，推理速度反而越快，但KV Cache容量會暴增；車載的Batch Size是1，推理速度反而很慢，好處是根本不用考慮KV Cache的容量。

最終我們可以得出結(jié)論，存儲帶寬決定了推理計算速度的上限。假設(shè)一個大模型參數(shù)為70億，按照車載的INT8精度，它所占的存儲是7GB，如果是英偉達的RTX4090，它的顯存帶寬是1008GB/s，也就是每7毫秒生成一個token，這個就是RTX4090的理論速度上限。特斯拉第一代FSD芯片的存儲帶寬是63.5GB/s，即每110毫秒生成一個token，幀率不到10Hz，自動駕駛領(lǐng)域一般圖像幀率是30Hz；英偉達的Orin存儲帶寬是204.5GB/s，即每34毫秒生成一個token，勉強可以達到30Hz，注意這只是計算的數(shù)據(jù)搬運所需要的時間，數(shù)據(jù)計算的時間都完全忽略了，實際速度要遠低于這個數(shù)據(jù)。并且一個token也不夠用，至少需要兩個token，端到端的最終輸出結(jié)果用語言描述就是一段軌跡，比如直行，直行需要有個限制條件，至少有個速度的限制條件，多的可能需要5個以上token，簡單計算即可得出存儲帶寬需要1TB/s以上。

實際情況遠比這個復(fù)雜的多。車載領(lǐng)域不是傳統(tǒng)LLM使用CPU和GPU分離形式，車載領(lǐng)域的計算SoC都是將CPU和AI運算部分合二為一，AI運算部分通常是GPU或加速器是和CPU共享內(nèi)存的。而在非車載領(lǐng)域，GPU或AI運算部分有獨立的存儲，即顯存。車載領(lǐng)域共享內(nèi)存一般是LPDDR，它主要是為CPU設(shè)計的，注重速度即頻率而非帶寬。不像顯存，一般是GDDR或HBM，注重帶寬，不看重頻率高低。上述所有理論都是基于顯存的，在車載領(lǐng)域共享LPDDR，其性能遠遠低于單獨配置的顯存，無論是速度還是容量，共享存儲都必須遠比單獨的顯存要高才能做到大模型推理計算。

理想用英偉達Orin做了測試，純端到端模式延遲高達1.5秒。

圖片來源：論文DRIVEVLM: The Convergence of Autonomous Driving and Large Vision-Language Models

所以車載領(lǐng)域存儲比算力重要很多，最好的解決辦法是HBM，但太貴了，32GB HBM2最低成本也得2000美元，汽車領(lǐng)域?qū)r格還是比較敏感的，退而求其次，就是GDDR了。GDDR6的成本遠低于HBM，32GB GDDR6大概只要180美元或更低。

幾代GDDR的性能對比

整理：佐思汽研

基本上GDDR6的理論上限就是672GB/s，特斯拉第二代FSD芯片就支持第一代GDDR6，HW4.0上的GDDR6容量為32GB，型號為MT61M512M32KPA-14，頻率1750MHz（LPDDR5最低也是3200MHz之上），是第一代GDDR6，速度較低。即使用了GDDR6，要流暢運行百億級別的大模型，還是無法實現(xiàn)，不過已經(jīng)是目前最好的了。

GDDR7正式標準在2024年3月公布，不過三星在2023年7月就發(fā)布了全球首款GDDR7，目前SK Hynix和美光也都有GDRR7產(chǎn)品推出。有些人會說，換上GDDR7顯存不就行了，當(dāng)然沒那么容易，GDDR需要特殊的物理層和控制器，芯片必須內(nèi)置GDDR的物理層和控制器才能用上GDDR，Rambus和新思科技都有相關(guān)IP出售。

圖片來源：網(wǎng)絡(luò)

在芯片領(lǐng)域，GDDR7增加的成本和LPDDR5X一樣的。

特斯拉的HW4.0過了一年半毫無動作，筆者認為特斯拉的第二代FSD芯片顯然是落伍了，特斯拉也不打算大規(guī)模用了，特斯拉的第三代FSD芯片應(yīng)該正在開發(fā)中，可能2025年底就完成開發(fā)，至少支持GDDR6X。

大模型時代，Attention Is All You Need，同樣大模型時代 Memory Is All You Need。