本文来自微信公众号“中国电子报”，【作者】姬晓婷。
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）转换为低比特整数（如8位INT8）的技术，目的是缩减模型体量、降低计算量、提升推理速度，同时尽量保持模型精度。在模型规模急剧增加、低精度计算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、资源利用率或实时性等多重目标的一种资源管理技术。该技术的目标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过程则是和访存密集相关。
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。
