訓(xùn)練支撐許多現(xiàn)代人工智能（AI）工具的大型神經(jīng)網(wǎng)絡(luò)都需要真實(shí)強(qiáng)大的計(jì)算能力。例如，OpenAI最先進(jìn)的語(yǔ)言模型GPT-3訓(xùn)練就需要驚人的10億億次運(yùn)算，其計(jì)算時(shí)間耗資約500萬(wàn)美元。工程師們認(rèn)為他們已經(jīng)找到了一種方法，通過(guò)使用不同的方式表示數(shù)字，進(jìn)而減輕計(jì)算負(fù)擔(dān)。

早在2017年，當(dāng)時(shí)在A*STAR計(jì)算資源中心和新加坡國(guó)立大學(xué)就職的約翰?古斯塔夫森（John Gustafson）以及在星際機(jī)器人與電腦公司任職的艾薩克?約莫托（Isaac Yonemoto）就開(kāi)發(fā)了一種新的數(shù)字表示方法。這些數(shù)字稱(chēng)為“posit”，他們提議將這些數(shù)字作為對(duì)目前使用的標(biāo)準(zhǔn)浮點(diǎn)算數(shù)處理器的改進(jìn)表示。

現(xiàn)在，馬德里康普頓斯大學(xué)的一個(gè)研究團(tuán)隊(duì)開(kāi)發(fā)了首個(gè)可在硬件中實(shí)現(xiàn)posit標(biāo)準(zhǔn)的處理器內(nèi)核，并表明，與使用標(biāo)準(zhǔn)浮點(diǎn)數(shù)字計(jì)算相比，基本計(jì)算任務(wù)的位對(duì)位（bit-for-bit）精度提高了4個(gè)數(shù)量級(jí)。他們?cè)?022年9月的IEEE計(jì)算機(jī)算數(shù)研討會(huì)上發(fā)表了其研究結(jié)果。

“如今，摩爾定律似乎已開(kāi)始衰落?！笨灯疹D斯大學(xué)ArTeCS小組的研究生研究員大衛(wèi)?馬拉森?金塔納（David Mallasén Quintana）說(shuō)，“所以我們需要找到其他方法來(lái)提高機(jī)器的性能。其中一種方法就是改變我們的實(shí)數(shù)編碼方式，以及如何表示實(shí)數(shù)?！?/p>

用數(shù)字表示方法來(lái)突破極限的并非只有康普頓斯團(tuán)隊(duì)。早在2022年9月，Arm、英特爾和英偉達(dá)就形成了一項(xiàng)技術(shù)規(guī)范，在機(jī)器學(xué)習(xí)應(yīng)用程序中，使用8位浮點(diǎn)數(shù)字替代通常的32位或16位浮點(diǎn)數(shù)字，即使用短小、低精度的格式，以降低計(jì)算精度為代價(jià)，提高計(jì)算效率和內(nèi)存使用率。

實(shí)數(shù)不能在硬件中完美表示，因?yàn)閷?shí)數(shù)的數(shù)量是無(wú)限的。為了適應(yīng)指定的位數(shù)，許多實(shí)數(shù)必須四舍五入。posit的優(yōu)勢(shì)在于，這種方法表示數(shù)字的精度是沿著數(shù)軸分布的。在數(shù)軸中間，1和-1周?chē)?，posit表示的精度比浮點(diǎn)的高。在數(shù)軸兩翼會(huì)逐漸出現(xiàn)較大的負(fù)數(shù)和正數(shù)，posit精度比浮點(diǎn)下降得更平穩(wěn)。

古斯塔夫森說(shuō)：“這與數(shù)字在計(jì)算中的自然分布相吻合。動(dòng)態(tài)范圍是合適的，在需要更高精度時(shí)，它的精度可以滿足需求。浮點(diǎn)運(yùn)算中有很多從來(lái)沒(méi)有用過(guò)的位串，這是一種浪費(fèi)?！?/p>

posit之所以能實(shí)現(xiàn)1和-1周?chē)鹊奶岣撸且驗(yàn)樵摫硎痉椒ㄓ幸粋€(gè)額外組成部分。浮點(diǎn)數(shù)由3個(gè)部分組成：一個(gè)符號(hào)位（0為正，1為負(fù)），幾個(gè)“尾數(shù)”（小數(shù)）位表示二進(jìn)制小數(shù)點(diǎn)后面的數(shù)，其余的位用來(lái)定義指數(shù)（2exp）。

posit保留了浮點(diǎn)數(shù)的所有組成部分，但添加了一個(gè)額外的“regime”部分，即指數(shù)的指數(shù)。regime的優(yōu)點(diǎn)在于它的位長(zhǎng)度可以變化。對(duì)于較小的數(shù)字，它可以只需要2位，為尾數(shù)留下更高的精度。這樣posit可以在1和-1周?chē)摹疤鹈埸c(diǎn)”位置實(shí)現(xiàn)更高的精度。

深度神經(jīng)網(wǎng)絡(luò)通常使用被稱(chēng)為權(quán)重的歸一化參數(shù)，因此它們是從posit獲益的完美候選者。許多神經(jīng)網(wǎng)絡(luò)計(jì)算都由乘積累加運(yùn)算組成。每次執(zhí)行這種計(jì)算，每個(gè)求和都必須再次截?cái)?，?dǎo)致精度損失。采用posit，一個(gè)名為quire的專(zhuān)用寄存器能夠有效地執(zhí)行累加步驟，減少精度損失。但目前的硬件應(yīng)用的是浮點(diǎn)，而且到目前為止，在軟件中使用posit帶來(lái)的計(jì)算收益在很大程度上被格式轉(zhuǎn)換的損耗掩蓋了。

使用他們用現(xiàn)場(chǎng)可編程門(mén)陣列（FPGA）合成的新硬件，康普頓斯團(tuán)隊(duì)對(duì)32位浮點(diǎn)和32位posit的計(jì)算進(jìn)行并列比較。

該團(tuán)隊(duì)還將結(jié)果與更精確但計(jì)算成本較高的64位浮點(diǎn)格式的結(jié)果進(jìn)行比較，對(duì)結(jié)果的精度進(jìn)行評(píng)估。對(duì)于矩陣乘法（神經(jīng)網(wǎng)絡(luò)訓(xùn)練中固有的一連串乘積累加）的精度，posit比浮點(diǎn)運(yùn)算驚人地提高了4個(gè)數(shù)量級(jí)。

該團(tuán)隊(duì)還發(fā)現(xiàn)，提高精度并沒(méi)有以計(jì)算時(shí)間為代價(jià)，只是芯片使用面積和功耗略有增加。

盡管提高數(shù)字精度是不可否認(rèn)的，但確切地說(shuō)，它對(duì)訓(xùn)練GPT-3等大型AI有怎樣的影響還有待觀察。

馬拉森說(shuō)：“posit可能會(huì)提高訓(xùn)練速度，因?yàn)樵谟?xùn)練的過(guò)程中不會(huì)丟失太多信息。但這些事我們還不知道。有人已經(jīng)在軟件中試過(guò)了，現(xiàn)在也要在我們的硬件中試一下?！?/p>

其他團(tuán)隊(duì)正在研究實(shí)現(xiàn)自己的硬件，促進(jìn)posit的使用。“這正是我所希望的，它被瘋狂地接受了?！惫潘顾蛏f(shuō)，“posit數(shù)字格式爆火，正在使用posit的有幾十個(gè)團(tuán)隊(duì)，公司和大學(xué)的團(tuán)隊(duì)都有。”

審核編輯：劉清