2020年10月23日 | 绝对碾压，NVIDIA A100 GPU推理性能超CPU237倍

MLPerf组织发布最新的推理基准测试（Benchmark）MLPerf Inference v0.7结果，总共有23个组织提交了结果，相比上一个版本（MLPerf Inference v0.5）的12个提交者增加了近一倍。

结果显示，今年5月NVIDIA（Nvidia）发布的安培（Ampere）架构A100 Tensor Core GPU，在云端推理的基准测试性能是最先进Intel CPU的237倍。

MLPerf Inference V0.7部分结果截图 

最新的AI推理测试结果意味着，NVIDIA未来可能在AI推理和训练市场都占据领导地位，给云端AI推理市场拥有优势的Intel带来更大压力的同时，也将让其他追赶者面临更大挑战。

MLPerf推理基准测试进一步完善的价值

与2019年的MLPerf Inference v0.5版本相比，最新的0.7版本将测试从AI研究的核心视觉和语言的5项测试，扩展了到了包括推荐系统、自然语言理解、语音识别和医疗影像应用的6项测试，并且有分别针对云端和终端推理的测试，还加入了手机和笔记本电脑的结果。

扩展的测试项从MLPerf和业界两个角度都有积极意义。

MLPerf Inference v0.5测试项

MLPerf Inference v0.7数据中心测试项

MLPerf Inference v0.7边缘端测试项

任何一个基准测试都需要给业界具有参考价值的指标。MLPerf基准测试是在业界缺乏对AI芯片公认的评价标准的2018年诞生，因此，MLPerf组织既需要给出各方都认可的成绩，还需要根据AI行业的发展完善评价标准。

不过，AI行业发展迅速，AI模型的参数越来越多，应用的场景也越来越广泛。评价AI芯片和系统的推理性能需要涵盖可编程性、延迟、准确性、模型大小、吞吐量、能效等指标，也需要选择更具指导价值的模型和应用。

此次增加的推荐系统测试对于互联网公司意义重大。在王喆的《深度学习推荐系统》一书中提到，2019年天猫“双11”的成交额是2684亿元，假设推荐系统进行了优化，整体的转化率提高1%，那么增加的成交额大约为26.84亿元。

另外，MLPerf Inference v0.7中增加医疗影像3D U-Net模型测试与新冠大流行以及AI在医疗行业的重要性与日俱增密切相关，比如一家初创公司使用AI简化了超声心电图的采集工作，在新冠大流行初期发挥了作用。

基准测试从v0.5到v0.7，能够为要选用AI芯片和系统的公司提供更直观和有价值的参考是MLPerf基准测试的价值所在，比如，帮助金融结构的会话式AI更快速回答客户问题，帮助零售商使用AI保证货架库存充足。

与此同时，这也将促进MLPerf组织在业界的受认可程度，从接近翻倍的提交成绩的组织就能看出来。

GPU云端推理性能最高是CPU的237倍

过去几年，云端AI训练市场NVIDIA拥有绝对优势，云端AI推理市场被Intel赚取了大部分利润是事实。这让不少人都产生了GPU更适合训练而CPU更适合推理的认知，但MLPerf最新的推理测试结果可能会改变这一观点。

MLPerf Inference V0.7的测试结果显示，在数据中心OFFLINE（离线）测试模式下，赛灵思U250和IntelCooper Lake在各个测试模型下与NVIDIAT4的差距不大，但A100对比CPU、FPGA和自家的T4就有明显的性能差距。

在SERVER模式下的推荐系统DLRM模型下，A100 GPU对比IntelCooper Lake有最高237倍的性能差距，在其他模型下也有比较显著的差距。值得注意的是，Intel的Cooper Lake系统的状态还是预览，其余三款芯片的系统都已经可用。

A100 GPU的优势也在边缘推理中也十分明显。在单数据流（Singel-Stream）测试中，A100对比NVIDIAT4和面向边缘终端的NVIDIAJetson AGX Xavier有几倍到十几倍的性能优势。在多数据流（Multi-Stream）测试中，A100对比另外两款自家产品在不同AI模型中有几倍到二十多倍的性能优势。

在边缘OFFLINE模式下，A100对比T4和Jetson AGX Xavier也有几倍到二十多倍的性能优势。

这很好地说明A100的安培架构以及其第三代Tensor Core优势的同时，也表明了NVIDIA能够覆盖整个AI推理市场。

在此次提交结果的23家公司中，除了NVIDIA外还有11家其合作伙伴提交了基于NVIDIA GPU的1029个测试结果，占数据中心和边缘类别中参评测试结果总数的85％以上。

从提交结果的合作伙伴的系统中可以看到，NVIDIAT4仍然是企业的边缘服务器推理平台的主要选择。A100提升到新高度的性能意味着未来企业边缘服务器在选择AI推理平台的时候，可以从T4升级到A100，对于功耗受限的设备，可以选择Jeston系列产品。

特别值得注意的是，NVIDIA GPU首次在公有云中实现了超越CPU的AI推理能力。

临界点到来？AI推理芯片市场竞争门槛更高

五年前，只有少数领先的高科技公司使用GPU进行推理。如今，NVIDIAGPU首次在公有云市场实现超越CPU的AI推理能力，或许意味着AI推理市场临界点的到来。NVIDIA还预测，基于其GPU的总体云端AI推理计算能力每两年增长约10倍，增长速度高于CPU。

另外，NVIDIA还强调基于A100高性能系统的成本效益。NVIDIA表示，一套DGX A100系统可以提供相当于近1000台双插槽CPU服务器的性能，能为客户AI推荐系统模型从研发走向生产的过程，具有极高的成本效益。

同时，NVIDIA也在不断优化推理软件堆栈，进一步提升在推理市场的竞争力。

最先感受到影响的会是Intel，但在云端AI推理市场体现出显著变化至少需要几年时间，因为企业在更换平台的时候会更加谨慎，生态的护城河此时也更能体现出价值。

但无论如何，我们都看到NVIDIA在AI市场的强势地位。雷锋网七月底报道，在MLPerf发布的MLPerf Training v0.7基准测试中，A100 Tensor Core GPU，和HDR InfiniBand实现多个DGX A100 系统互联的庞大集群DGX SuperPOD系统在性能上开创了八个全新里程碑，共打破16项纪录。

安培架构A100在MLPerf最新的训练和推理成绩表明NVIDIA不仅给云端AI训练的竞争者更大的压力，也可能改变AI推理市场的格局。

NVIDIA将其在云端训练市场的优势进一步拓展到云端和边缘推理市场符合AI未来的发展趋势。有预测指出，随着AI模型的成熟，市场对云端AI训练需求的增速将会降低，云端AI推理的市场规模将会迅速增加，并有望在2022年超过训练市场。

另据市场咨询公司ABI Research的数据，预计到2025年，边缘AI芯片市场收入将达到122亿美元，云端AI芯片市场收入将达到119亿美元，边缘AI芯片市场将超过云端AI芯片市场。

凭借强大的软硬件生态系统，NVIDIA和Intel依旧会是AI市场的重要玩家，只是随着他们竞争力的不断提升，其他参与AI市场竞争的AI芯片公司们面临的压力也随之增加。