在近几年兴起的的AI芯片市场里，有一家初创公司在全球名声大噪，那就是起源于英国的Graphcore。
Arm联合创始人Hermann Hauser曾经表示，在计算机历史上只发生过三次革命，第一次是70年代的CPU，第二次是90年代的GPU，而第三次革命，则来自于IPU。这个“新兴”的IPU，就是由Graphcore公司打造的intelligence Processing Unit的简称。
Graphcore 的 CEO Nigel Toon 也指出，现在的 AI 硬件有三类解决方案：第一类是一些非常简单的小型化加速产品，应用于手机、传感器或摄像头中；第二类是 ASIC，这是一些超大规模的公司为解决超大规模的问题而研发出的产品，比如谷歌的 TPU 就属这类。这些产品旨在用数学加速器解决问题。
第三类是可编程的处理器（Program Processor）。在 Nigel Toon 看来，这类市场目前还是 GPU 的天下。“我认为 Graphcore 也隶属这类市场，未来 Graphcore 在这个市场会产生非常多的应用场景，通过不断创新赢得更多市场份额。”Nigel Toon 进一步指出，“Graphcore 要做的是一个非常灵活的处理器，一个从零开始专门针对 AI 而生的处理器”，Nigel Toon强调。这也正是上文谈到的IPU。
继2019年推出第一代的IPU之后，Graphcore在2020年又带来了新一代的IPU产品Colossus MK2。据介绍，与第一代IPU（MK1 IPU）相比，第二代IPU（MK2 IPU）实际性能提高了8倍。公司基于此打造的革命性系统解决方案IPU-M2000能以纤薄的1U尺寸提供1 PetaFLOP的AI计算和高达450GB的Exchange-Memory。
得益于其具有智能工作负载的巧思设计，IPU-M2000能提供从一个到几个扩展性的。搭配接近零延的IPU-Fabri 系统架构，IPU-M2000 可以作为一个独立的系统工作，或者 8 个连接的连接，也可以在IP-UPOD 64 系统中将 16 个连接的 IPU-M2000 连接到超级计算规模。
如上所述，从Graphcore提供的数据中，公司的这些芯片和系统不但获得了惊人的提升，在客户端也获得了高度的认可。这种情况在多家其他公司的AI芯片产品上，也同样出现。但和CPU以及GPU这些经历了多年考验的产品不一样，大多数AI芯片在做对比的时候，并没有统一的标准来衡量，而MLperf的出现正是为了解决这个问题。
所谓MLperf，据介绍，这是一套由MLCommons提出的，用于测量和提高机器学习软硬体性能的国际基准。自提出以来，该基准获得了亚马逊、Arm、百度、谷歌和微软等40多家公司和研究人员的支持。在实际使用中，它将主要用来测量训练不同深度神经网络所需要的时间，这些神经网络所执行的任务包括物体识别、语言翻译以及经典的下围棋等。
相关介绍也指出， MLPerf 的努力旨在构建一组通用的基准，使机器学习 (ML) 领域能够 测量从移动设备到云服务的训练和推理的系统性能。在MLPerf官方看来，一个被广泛接受的基准测试套件将使整个社区受益，当中包括研究人员、开发人员、机器学习框架的构建者、云服务提供商、硬件制造商、应用程序提供商和最终用户。
Graphcore高级副总裁兼中国区总经理卢涛在日前接受媒体采访时也指出，全球有各种各样的处理器，也有各种各样衡量性能的维度，所以在对比不同处理器的时候，所对比的维度可能不尽相同。
“MLCommons所提出的各种基准测试（Benchmark）是想定义一些业界相对来说有一定实际应用的、有一定代表意义的任务，比如数据集是什么样的？使用什么样的优化器？达到什么样的精度？”，卢涛强调。他进一步指出，各方基于这些要求进行基准测试，这从某种意义上说将大家拉到了同一个维度里进行对话，对于业界有较大的参考意义。例如用户在选择一个新的AI处理器时，可能就不用特别关注各个厂商的基准测试之间的差别。
在这种思路支持下，Graphcore首次参与了MLPerf并提交了结果。数据显示，Graphcore产品表现优异，AI性能稳居领先地位。
据卢涛介绍，Graphcore今年提交的MLPerf训练1.0版本的任务包括了两个模型：一是计算机视觉模型ResNet-50，二是自然语言处理模型BERT。
“之所以选择这两个模型，是因为它们在相应领域里面颇具代表意义，且被广为使用。今天的许多视觉模型，其骨干网络还是基于ResNet；至于BERT，虽然现在有各种各样的BERT变种版本，但是一个标准的BERT还是大家比较认可的Benchmark基准。所以此次我们提交了这样两个任务。”卢涛接着说。“我们提交的硬件也包括两个，分别是IPU-POD16和IPU-POD64”，卢涛强调。
据介绍，这两个硬件形态都是基于Graphcore的基础构建块IPU-M2000进行不同配置组合的。其中IPU-POD16是由4个1U的IPU-M2000加上一个双路服务器（dual-CPU server）构成的，可以提供有4 PetaFLOPS的AI计算；另外一个硬件形态IPU-POD64是由16个IPU-M2000组成，配置了四台双路服务器。在做ResNet相关工作的时候用了4台，而在做BERT相关工作的时候只用了其中1台x86的服务器。
在IPU-POD16和IPU-POD64上，Graphcore都提交了ResNet-50和BERT两个训练任务的结果。
Graphcore方面表示，MLPerf测试包含开放分区和封闭分区两个提交分区。封闭分区严格要求提交者使用完全相同的模型实施和优化器方法，包括定义超参数状态和训练时期。开放分区保证和封闭分区完全相同的模型准确性和质量，但支持更灵活的模型实施以促进创新。因此，该分区支持更快的模型实现，更加适应不同的处理器功能和优化器方法。对于像Graphcore IPU这样的创新架构，开放分区更能体现出产品的优异性能，但Graphcore还是选择在开放和封闭分区都进行了提交。
Graphcore中国工程总负责人 AI算法科学家金琛则同时指出，如图所示，在IPU-POD16上，BERT在MLPerf v1.0 Training开放分区（Open Division）中的训练时间（Time To Train）基本上是小于半个小时的。而在IPU-POD64上，其Scaling Factor基本上可以达到3.5倍，在开放分区提交中的训练时间基本上是小于10分钟的，这对于很多科研工作者来说是非常令人兴奋的一个消息，这意味着在训练过程中他们可以更快地得到研究结果。
除了性能的对比外，MLPerf还对比了市面上的Graphcore系统与NVIDIA的最新产品，结果证实Graphcore在“每美元性能”（Performance-Per-Dollar）指标上稳居领先地位。对客户而言，这项重要的第三方测试确认了Graphcore系统不仅具有新一代AI的优异性能，同时在目前的广泛应用中也表现得更出色。
据介绍，Graphcore的IPU-POD16是一个5U的系统，标价149,995美元。如前所述，它由4个IPU-M2000加速器以及行业标准主机服务器构成。每个IPU-M2000由4个IPU处理器构成。MLPerf中使用的NVIDIA DGX-A100 640GB是一个6U机盒，标价约为300,000美元（基于市场情报和公布的经销商定价），有8个DGX A100芯片。IPU-POD16的价格是它的一半。在这个系统中，IPU-M2000的价格和一个DGX A100 80GB的价格是一样的，或者在更细的层次上，一个IPU的价格是它的四分之一。
在MLPerf比较分析中，Graphcore采用了严格监管的封闭分区的结果，并针对系统价格对其进行了归一化。对于ResNet-50和BERT，很明显Graphcore系统提供了比NVIDIA产品更好的每美元性能。在IPU-POD16上进行ResNet-50训练的情况下，Graphcore的每美元性能是NVIDIA的1.6倍。在BERT上，Graphcore的每美元性能是NVIDIA的1.3倍。Graphcore系统的经济性可以更好地帮助客户实现其AI计算目标，同时，由于IPU专为AI构建的架构特点，Graphcore系统还可以解锁下一代模型和技术。
在演讲过程中，卢涛强调，公司这次的MLperf结果，佐证了Graphcore IPU的强大。公司后续也会持续提交MLPerf的结果，为追求更优性能、更大规模和添加更多模型，贡献Graphcore的所有智慧和力量。
