【导(dǎo)语(yǔ)】7月(yuè)27日(rì)，上(shàng)海(hǎi)举(jǔ)办(bàn)了(le)世(shì)界(jiè)人(rén)工(gōng)智(zhì)能(néng)大(dà)会(huì)分(fēn)论(lùn)坛(tán)——“芯(xīn)节(jié)点(diǎn)·新(xīn)突(tū)破(pò)：协(xié)同(tóng)创(chuàng)新(xīn)聚(jù)力(lì) 加(jiā)速(sù)智(zhì)算(suàn)破(pò)局(jú)”。会(huì)上(shàng)，中国工程院院士、清华大学计算机系教授郑纬民发表了重要演讲，揭示了人工智能产业竞争中的关键——大模型推理引擎。他详细阐述了算子优化、模型量化、异构调度和并行优化四大关键点，这些技术对于提升模型推理效率、缩减模型体量、合理利用计算资源以及提高整体性能具有重要意义。郑教授的见解为人工智能领域的未来发展指明了方向。

7月27日，世界人工智能大会分论坛“芯节点·新突破——协同创新聚力 加速智算破局”主题论坛在上海举行。中国工程院院士、清华大学计算机系教授郑纬民会上发表演讲。他表示，大模型推理引擎是人工智能产业竞争的关键，做好模型推理需要掌握好算子优化、模型量化、异构调度、并行优化四大关键点。

关键点一：算子优化

算子优化就是对大模型中的单个算子（如Conv卷积、MatMu矩阵乘法等）做性能改造，使同一个算子在给定硬件上跑得更快、占用内存更少、功耗更低。例如，将“卷积”这个算子从普通C语言替换为汇编级Winograd+SIMD+缓存分块，就是一次算子优化。

算子优化主要有两种实现方案：其一，图层优化，包括不等价交换，用可控误差换性能；基于表达式交换，用代数/符号规则在图层级别做等价化简；张量属性变换，通过调整张量的形状、步长等消除冗余内存搬移或者提高并行度等。其二，算子层优化，即采用计算访存重叠、异步流水调度等技术进行算子优化。

关键点二：模型量化

模型量化就是将模型中的浮点参数（如32位FP32）转换为低比特整(zhěng)数(shù)（如(rú)8位(wèi)INT8）的(de)技(jì)术(shù)，目(mù)的(de)是(shì)缩(suō)减(jiǎn)模(mó)型(xíng)体(tǐ)量(liàng)、降(jiàng)低(dī)计(jì)算(suàn)量(liàng)、提(tí)升(shēng)推(tuī)理(lǐ)速(sù)度(dù)，同(tóng)时(shí)尽(jǐn)量(liàng)保(bǎo)持(chí)模(mó)型(xíng)精(jīng)度(dù)。在(zài)模(mó)型(xíng)规(guī)模(mó)急(jí)剧(jù)增(zēng)加(jiā)、低(dī)精(jīng)度(dù)计(jì)算(suàn)单元越来越多样的背景下，模型量化是减少内存需求和提升推理性能的有效途径。

当前模型量化主要有两种方案：

其一，单一精度量化，直接将模型中的高位宽参数替换为低比特，例如将16位浮点数直接替换为8位整数，这一方式以“极简部署”换“精度弹性”，在硬件支持单一格式或对精度不敏感时是首选。

其二，混合精度量化，在同一网络里按层、张量或通道分别使用两种及以上位宽（如INT8+FP16、INT4+INT8、FP8+FP16+FP32等），而不是“一刀切”成单一低比特。

但混合精度推理的发展也面临着挑战，混合精度库开发周期长，历时超过一年；代码量大，超过1万行；算子性能差，相较于单一精度推理，性能下降70%。导致现有的混合精度推理利用率仍较低。

关键点三：异构调度

异构调度指在包含多种不同类型计算单元（CPU、GPU、FPGA、AI加速器等）系统中，将任务或子任务动态、合理地分配到最合适的处理器上，同时满足性能、功耗、资源利用率或(huò)实(shí)时(shí)性(xìng)等(děng)多(duō)重(zhòng)目(mù)标(biāo)的(de)一(yī)种(zhǒng)资(zī)源(yuán)管(guǎn)理(lǐ)技(jì)术(shù)。该(gāi)技(jì)术(shù)的(de)目(mù)标(biāo)是让正确的任务在正确的时间跑到正确的芯片上，例如将“跑得快但耗电高”的GPU留给矩阵乘法，把“省电但慢”的CPU小核留给控制逻辑。

模型推理可大致分为两个过程：一是P过程（prefill，预填充），二是D过程（decode，解码）。前者预处理负载请求的所有token，读取并“理解”用户输入的上下文，这一过程是计算密集型的；D过(guò)程(chéng)则(zé)是(shì)和(hé)访存密集相关。

P过程与D过程所需的负载不同，如果能将P过程和D过程拆成两个独立的流水线，分别在不同的硬件上跑，且能实现互不干扰，推理计算的整体性能就提高了。

关键点四：并行优化

并行优化即把深度学习任务拆成多条独立或半独立的计算通路，让他们在同一个时刻被多个计算单元并行执行，从而在“时间”或“空间”维度上换取整体吞吐或延迟提升的一系列工程手段。简单理解，这就相当于“把1个人干100天的活，拆成100个人1天干完”。

当前，并行优化面临着两大挑战：

其一，由于推理场景多样化，且不同推理场景的负载模式不同，固定的并行策略无法适应动态推理场景。例如，科研论文摘要、财报分析等，输入内容长，则Prefill占优，属于计算密集型任务；深度思考，输出文本长，则Decode占优，属于访存密集型。针对这些不同的应用场景，需要制定不同的并行策略。

其二，由于大模型服务场景存在明显的潮汐特性，不同时段的系统压力不同，静态的推理系统也无法适应动态服务场景。具体来看，白天时段使用人数多，请求量大，系统压力大，存在显存缺口；凌晨时段使用人数少，请求数量小，系统压力小，存在显存空闲。

因此需要采用动态的并行策略，通过并行策略自动调整减少算力浪费。例如，在请求较多时，采用张量并行+流水线并行的策略，吞吐量更大；在请求较少时，Attention（注意力机制模型）部分采用数据并行，MoE（混合专家模型）部分采用专家并行策略的吞吐量更高。