英伟达GH200 AI性能基准评测首次亮相，性能提升17%

·英伟达GH200 Grace Hopper超级芯片首次亮相影响力最广的国际AI性能基准评测——MLPerf行业基准测试。在此次测试中， GH200每芯片性能优势比H100 GPU高出17%。

当地时间9月11日，推出不到两个月的英伟达GH200 Grace Hopper超级芯片首次亮相MLPerf行业基准测试。在此次测试中，具有更高的内存带宽和更大的内存容量的GH200与H100 GPU相比，性能高出17%。

Grace Hopper与DGX H100 SXM在MLPerf推理数据中心性能结果的比较。来源：英伟达

在新闻发布会上，英伟达人工智能总监戴夫·萨尔瓦托（Dave Salvator）表示：“Grace Hopper表现出色，首次提交的性能比H100 GPU性能高出多达17％，而我们的H100 GPU产品已经在各个领域取得了领先地位。”

MLPerf是影响力广泛的国际AI性能基准评测，其推理性能评测涵盖使用广泛的六大AI场景。比如计算机视觉、自然语言处理、推荐系统、语音识别等，每个场景采用最主流的AI模型作为测试任务，每一任务又分为数据中心和边缘两类场景。其由MLCommons（由来自学术界、研究实验室和行业的人工智能领导者组成的联盟）开发，旨在对硬件、软件和服务的训练和推理性能“构建公平和有用的基准测试”。

此次MLPerf Inference v3.1基准测试是继4月发布3.0版本之后的又一次更新，值得注意的是，这次更新包含了两个第一次：引入基于60亿参数大语言模型GPT-J的推理基准测试（AI模型的大小通常根据它有多少参数来衡量）和改进的推荐模型。

GPT-J是来自EleutherAI的OpenAI GPT-3的开源替代品，现已在MLPerf套件中用作衡量推理性能的基准。与一些更先进的人工智能模型（如1750亿参数的GPT-3）相比，60亿参数的GPT-J属于相当轻量的模型，但它非常适合推理基准的角色。该模型总结了文本块，并可在延迟敏感的在线模式和吞吐量密集型的离线模式下运行。

GH200 Grace Hopper超级芯片在GPT-J工作负载方面取得了优异的成绩，在离线和服务器场景中的每加速器性能都达到了最高水平。据英伟达介绍，GH200 Grace Hopper超级芯片是专为计算和内存密集型工作负载而设计，它在最苛刻的前沿工作负载上提供了更高的性能，如基于Transformer的大型语言模型（具有数千亿或数万亿参数）、具有数万亿字节嵌入表的推荐系统和矢量数据库。

GH200 Grace Hopper 超级芯片的逻辑概述。来源：英伟达

GH200超级芯片最新版由英伟达CEO黄仁勋在8月的世界顶级计算机图形学会议SIGGRAPH上公布。之所以称其为超级芯片，因为它在同一块板上将英伟达Grace中央处理单元（CPU）和Hopper图形处理单元（GPU）连接在一起。借助新型双GH200服务器中的NVLink，系统中的CPU和GPU将通过完全一致的内存互连进行连接。这种组合提供了更大内存、更快带宽，能够在CPU和GPU之间自动切换计算所需要的资源，实现性能最优化。

萨尔瓦托说：“如果GPU非常忙碌，而CPU相对空闲，我们可以将功率预算转移到GPU上，以允许它提供额外的性能。通过拥有这个功率余地，我们可以在整个工作负载中保持更好的频率驻留，从而提供更多的性能。”

TensorRT-LLM能够在不增加成本的情况下将现有H100 GPU的推理性能提升两倍以上。来源：英伟达

此外，为提高大型语言模型（LLM）的推理性能，英伟达推出一款能够优化推理的生成式AI软件——TensorRT-LLM，其能够在不增加成本的情况下将现有H100 GPU的推理性能提升两倍以上。重要的是，该软件可以实现这种性能改进，而无需重新训练模型。

英伟达称，由于时间原因，TensorRT-LLM没有参加8月的MLPerf提交。据英伟达的内部测试，在运行60亿参数GPT-J模型时，相较于没有使用TensorRT-LLM的上一代GPU，在H100 GPU上使用TensorRT-LLM能够实现8倍的性能提升。