公眾號記得加星標(biāo)??，第一時間看推送不會錯過。

自GPU成為主流以來，英偉達(dá)一直主導(dǎo)著GPU計算領(lǐng)域。該公司推出的Blackwell B200 GPU有望成為新一代的頂級計算GPU。與前幾代產(chǎn)品不同，Blackwell無法像以往那樣依靠制程節(jié)點的改進(jìn)。臺積電的4NP制程可能比上一代Hopper所使用的4N制程有所提升，但不太可能像之前的全節(jié)點縮小那樣帶來顯著的性能提升。

因此，Blackwell放棄了英偉達(dá)久經(jīng)考驗的單芯片設(shè)計，轉(zhuǎn)而采用兩個光罩大小的芯片。這兩個芯片在軟件層面被視為一個獨立的GPU，這使得B200成為英偉達(dá)首款芯片級GPU。每個B200芯片物理上包含80個流式多處理器（SM），類似于CPU的核心。B200每個芯片支持74個SM，因此整個GPU共有148個SM。時鐘頻率與 H100 的高功率 SXM5 版本相似。

我在上表中列出了 H100 SXM5 的規(guī)格，但除非另有說明，下文中的數(shù)據(jù)將來自 H100 PCIe 版本。

緩存和內(nèi)存訪問

B200 的緩存層級結(jié)構(gòu)與 H100 和 A100 非常相似。L1 緩存和共享內(nèi)存均從同一個 SM 私有池中分配。L1 緩存/共享內(nèi)存的容量與 H100 相同，仍為 256 KB。L1 緩存/共享內(nèi)存的分配比例也未改變。共享內(nèi)存類似于 AMD 的本地數(shù)據(jù)共享 (LDS) 或 Intel 的共享本地內(nèi)存 (SLM)，它為一組線程提供軟件管理的片上本地存儲。開發(fā)者可以通過 Nvidia 的 CUDA API 來設(shè)置 L1 緩存的分配比例，例如：分配更大的 L1 緩存、分配相等的 L1 緩存或分配更多的共享內(nèi)存。這些選項分別對應(yīng) 216 KB、112 KB 和 16 KB 的 L1 緩存容量。

在其他 API 中，共享內(nèi)存和 L1 緩存的分配完全取決于 Nvidia 的驅(qū)動程序。OpenCL 獲得了最大的 216 KB 數(shù)據(jù)緩存分配，而其內(nèi)核未使用共享內(nèi)存，這相當(dāng)合理。Vulkan 獲得的 L1 緩存分配略小，為 180 KB。經(jīng)測試，OpenCL 中數(shù)組索引的 L1 緩存延遲僅為 19.6 納秒，即 39 個時鐘周期。

與 A100 和 H100 一樣，B200 也采用了分區(qū)式 L2 緩存。然而，其容量大幅提升，總?cè)萘窟_(dá)到 126 MB。作為對比，H100 的 L2 緩存容量為 50 MB，A100 為 40 MB。直接連接到同一 L2 分區(qū)的延遲與前幾代產(chǎn)品類似，約為 150 納秒。當(dāng)測試數(shù)據(jù)超出分區(qū)范圍時，延遲會顯著增加。B200 的跨分區(qū)延遲比其前代產(chǎn)品略高，但提升幅度不大。B200 上的 L2 分區(qū)幾乎可以肯定對應(yīng)于其兩個芯片。如果是這樣，跨芯片的延遲增加很小，而且單個 L2 分區(qū)的容量就超過了 H100 的整個 L2 緩存容量，因此可以忽略不計。

從單線程的角度來看，B200 的表現(xiàn)就像采用了三級緩存架構(gòu)。L2 緩存的分區(qū)特性可以通過將指針追蹤數(shù)組分段，并讓不同的線程遍歷每個段來體現(xiàn)。奇怪的是，我需要大量的線程才能訪問大部分 126 MB 的容量而不產(chǎn)生跨分區(qū)性能損失?；蛟S Nvidia 的調(diào)度器會先嘗試填充一個分區(qū)的 SM（流式多處理器），然后再訪問另一個分區(qū)。

AMD 的 Radeon Instinct MI300X 采用真正的三級緩存架構(gòu)，與 B200 系列顯卡不相上下。Nvidia 的 L1 緩存容量更大、速度更快。AMD 的 L2 緩存犧牲了部分容量，換取了比 Nvidia 更低的延遲。最后，AMD 的 256 MB 末級緩存實現(xiàn)了低延遲和高容量的完美結(jié)合，其延遲甚至低于 Nvidia 的“遠(yuǎn)端”L2 分區(qū)。

一個有趣的現(xiàn)象是，當(dāng)多個線程訪問分段指針追蹤數(shù)組時，MI300X 和 B200 在末級緩存 (TLB) 上的延遲都更加均勻。然而，造成延遲增加的原因卻不盡相同。AMD 平臺上超過 64MB 后的延遲增加似乎是由 TLB 未命中引起的，因為使用 4KB 步長進(jìn)行測試時，在同一位置也出現(xiàn)了延遲增加。啟動更多線程會增加 TLB 實例的參與度，從而減輕地址轉(zhuǎn)換的懲罰。消除 TLB 未命中懲罰也降低了 MI300X 的 VRAM 延遲。而對于 B200 來說，拆分?jǐn)?shù)組并沒有降低 VRAM 延遲，這表明 TLB 未命中要么在單線程情況下并非主要因素，要么增加線程數(shù)并沒有減少 TLB 未命中。因此，B200 的 VRAM 延遲似乎高于 MI300X 以及更早的 H100 和 A100。與 L2 跨分區(qū)懲罰一樣，與 H100/A100 相比，延遲回歸的程度并不嚴(yán)重，這表明英偉達(dá)的多芯片設(shè)計運(yùn)行良好。

OpenCL 的本地內(nèi)存空間由英偉達(dá)的共享內(nèi)存 (Shared Memory)、AMD 的 LDS 或英特爾的 SLM 提供支持。使用陣列訪問測試本地內(nèi)存延遲表明，B200 延續(xù)了其在共享內(nèi)存延遲方面的出色表現(xiàn)。其訪問速度比我迄今為止測試過的任何 AMD GPU 都要快，包括 RDNA 系列的高頻型號。AMD 基于 CDNA 架構(gòu)的 GPU 的本地內(nèi)存延遲則要高得多。

原子操作可用于在同一工作組內(nèi)的線程之間交換數(shù)據(jù)。在Nvidia平臺上，這意味著運(yùn)行在同一SM上的線程之間交換數(shù)據(jù)。使用atomic_cmpxchg在線程間快速傳遞數(shù)據(jù)，其延遲與AMD的MI300X相當(dāng)。與指針追蹤延遲一樣，B200相比前幾代產(chǎn)品僅有小幅改進(jìn)。與大型計算GPU相比，AMD的RDNA系列在此項測試中表現(xiàn)出色。

現(xiàn)代GPU使用專用的原子ALU來處理原子加法和遞增等操作。使用atomic_add進(jìn)行測試，B200的每個SM每個周期可以執(zhí)行32次操作。這個測試是在MI300X測試結(jié)束后編寫的，所以我只有MI300A的數(shù)據(jù)。與GCN架構(gòu)類似，AMD的CDNA3計算單元每個周期可以執(zhí)行16次原子加法。這使得B200盡管核心數(shù)量較少，卻依然能夠勝出。

帶寬測量

更高的SM單元數(shù)量使B200的L1緩存帶寬比其前代產(chǎn)品有了顯著優(yōu)勢。在OpenCL測試中，它的性能也趕上了AMD的MI300X。而像RX 6900XT這樣較老、尺寸較小的消費級GPU則被遠(yuǎn)遠(yuǎn)甩在了后面。

在B200平臺上，本地內(nèi)存和L1緩存的帶寬相同，因為它們都基于同一塊存儲介質(zhì)。這使得AMD的MI300X在帶寬方面擁有巨大的優(yōu)勢。本地內(nèi)存更難充分利用，因為開發(fā)者必須顯式地管理數(shù)據(jù)移動，而緩存則能自動利用局部性。但即便如此，MI300X在這一領(lǐng)域依然保持領(lǐng)先地位。

Nemez 基于 Vulkan 的基準(zhǔn)測試可以大致反映 B200 的 L2 帶寬情況。本地 L2 分區(qū)內(nèi)較小的數(shù)據(jù)量可以達(dá)到 21 TB/s 的帶寬。當(dāng)數(shù)據(jù)開始在兩個分區(qū)之間傳輸時，帶寬會下降到 16.8 TB/s。AMD 的 MI300X 不支持圖形 API，也無法運(yùn)行 Vulkan 計算。不過，AMD 指出其 256 MB 的 Infinity Cache 可以提供 14.7 TB/s 的帶寬。MI300X 不需要從 Infinity Cache 獲得如此高的帶寬，因為其前面的 4 MB L2 實例應(yīng)該可以吸收大部分 L1 緩存未命中流量。

與上一代 H100 相比，B200 在緩存層次結(jié)構(gòu)的各個層級都擁有顯著的帶寬優(yōu)勢。得益于 HBM3E，B200 的顯存帶寬也優(yōu)于 MI300X。雖然 MI300X 也配備了八個 HBM 堆棧，但它使用的是較老的 HBM3，最高帶寬僅為 5.3 TB/s。

全局內(nèi)存原子

（Global Memory Atomics）

AMD 的 MI300X 在使用 atomic_cmpxchg 在線程間切換數(shù)值時表現(xiàn)出不同的延遲。其復(fù)雜的多芯片結(jié)構(gòu)可能是造成這種現(xiàn)象的原因。B200 也存在同樣的問題。在這里，我啟動了與 GPU 核心（SM 或 CU）數(shù)量相同的單線程工作組，并選擇不同的線程對進(jìn)行測試。我使用的訪問模式類似于 CPU 端核心間延遲測試，但無法控制每個線程的放置位置。因此，這并非一個標(biāo)準(zhǔn)的 CPU 端核心間延遲測試，且不同運(yùn)行的結(jié)果并不一致。但這足以展示延遲的變化，并表明 B200 具有雙峰延遲分布。

在理想情況下，延遲為 90-100 納秒，這很可能是因為線程位于同一個 L2 分區(qū)上。在較差的情況下，延遲則在 190-220 納秒之間，這很可能是因為通信跨越了 L2 分區(qū)邊界。AMD MI300X 的測試結(jié)果在 116 納秒到 202 納秒之間。B200 在理想情況下的性能略優(yōu)于 AMD，但在較差情況下的性能則略遜一籌。

與RX 6900XT等高頻消費級GPU相比，數(shù)據(jù)中心GPU的線程間延遲通常更高。即使在最佳情況下，在擁有數(shù)百個SM或CU的GPU之間交換數(shù)據(jù)也是一項挑戰(zhàn)。

全局內(nèi)存上的原子操作通常由GPU共享緩存級別的專用ALU處理。Nvidia的B200芯片每個周期可以支持GPU上近512次此類操作。AMD的MI300A芯片在這項測試中表現(xiàn)不佳，吞吐量甚至低于面向消費者的RX 6900XT。

計算吞吐量

SM 數(shù)量的增加使得 B200 在大多數(shù)向量運(yùn)算中擁有比 H100 更高的計算吞吐量。然而，F(xiàn)P16 運(yùn)算是個例外。Nvidia 的舊款 GPU 可以以 FP32 兩倍的速度執(zhí)行 FP16 運(yùn)算，而 B200 則不能。

AMD 的 MI300X 也能進(jìn)行雙倍速率的 FP16 計算。英偉達(dá)可能決定將 FP16 計算的重點放在 Tensor Core（矩陣乘法單元）上?？偟膩碚f，MI300X 的強(qiáng)大運(yùn)算能力在大多數(shù)向量運(yùn)算方面都遠(yuǎn)超 H100 和 B200。盡管采用了較舊的制程工藝，AMD 激進(jìn)的芯片組架構(gòu)仍然具有優(yōu)勢。

張量內(nèi)存

B200 的目標(biāo)應(yīng)用是人工智能，因此，如果不提及它的機(jī)器學(xué)習(xí)優(yōu)化，討論就不完整。英偉達(dá)早在圖靈/伏特架構(gòu)時代就開始使用張量核心（Tensor Core），也就是專用的矩陣乘法單元。GPU 提供了一種 SIMT 編程模型，開發(fā)者可以將每個通道視為一個獨立的線程，至少從正確性的角度來看是如此。張量核心打破了 SIMT 的抽象，要求矩陣在一個波（或向量）上采用特定的布局。Blackwell 的第五代張量核心更進(jìn)一步，允許矩陣在一個工作組（CTA）中跨越多個波。

Blackwell 還引入了張量內(nèi)存（Tensor Memory，簡稱 TMEM）。TMEM 類似于專用于張量核心（Tensor Core）的寄存器文件。開發(fā)人員可以將矩陣數(shù)據(jù)存儲在 TMEM 中，Blackwell 的工作組級矩陣乘法指令使用 TMEM 而非寄存器文件。TMEM 的組織結(jié)構(gòu)為 512 列 x 128 行，每個單元格為 32 位。每個波形只能訪問 32 行 TMEM 數(shù)據(jù)，具體行數(shù)由其波形索引決定。這意味著每個 SM 子分區(qū)都有一個 512 列 x 32 行的 TMEM 分區(qū)?！皬埩亢诵氖占骶彌_區(qū)”（TensorCore Collector Buffer）可以利用矩陣數(shù)據(jù)重用，充當(dāng) TMEM 的寄存器重用緩存。

因此，TMEM 的工作方式類似于 AMD CDNA 架構(gòu)上的累加器寄存器文件 (Acc VGPR)。CDNA 的 MFMA 矩陣指令同樣操作 Acc VGPR 中的數(shù)據(jù)，但 MFMA 也可以從常規(guī) VGPR 中獲取源矩陣。在 Blackwell 架構(gòu)上，只有較早的波形級矩陣乘法指令才接受常規(guī)寄存器輸入。TMEM 和 CDNA 的 Acc VGPR 容量均為 64 KB，因此兩種架構(gòu)的每個執(zhí)行單元分區(qū)都擁有 64+64 KB 的寄存器文件。常規(guī)向量執(zhí)行單元無法從 Nvidia 的 TMEM 或 AMD 的 Acc VGPR 中獲取輸入。

盡管 Blackwell 的 TMEM 和 CDNA 的 Acc VGPR 在總體目標(biāo)上相似，但 TMEM 對分離式寄存器文件理念的實現(xiàn)更加完善和成熟。CDNA 必須為每個 wave 分配相同數(shù)量的 Acc 和常規(guī) VGPR。這樣做可能簡化了簿記，但卻造成了一種不靈活的安排，即混合使用矩陣波和非矩陣波會導(dǎo)致寄存器文件容量的低效利用。相比之下，TMEM 使用了一種動態(tài)分配方案，其原理類似于 AMD RDNA4 上的動態(tài) VGPR 分配。每個 wave 開始時都沒有分配 TMEM，并且可以分配 32 到 512 列（以 2 的冪次方為單位）。所有行同時分配，并且 wave 必須在退出前顯式釋放已分配的 TMEM。TMEM 還可以從共享內(nèi)存或常規(guī)寄存器文件加載，而 CDNA 的 Acc VGPR 只能通過常規(guī) VGPR 加載。最后，TMEM 可以在加載數(shù)據(jù)時選擇性地將 4 位或 6 位數(shù)據(jù)類型“解壓縮”為 8 位。

與之前的英偉達(dá)架構(gòu)相比，引入 TMEM 有助于降低常規(guī)寄存器文件的容量和帶寬壓力。引入 TMEM 可能比擴(kuò)展常規(guī)寄存器文件更容易。Blackwell 的 CTA 級矩陣指令每個周期、每個分區(qū)可以支持 1024 次 16 位 MAC 操作。由于矩陣輸入始終來自共享內(nèi)存，TMEM 每個周期只需讀取一行并將其累加到另一行。而常規(guī)向量寄存器對于 FMA 指令則需要每個周期進(jìn)行三次讀取和一次寫入。此外，TMEM 無需連接到向量單元。所有這些特性使得 Blackwell 能夠像擁有更大的寄存器文件一樣運(yùn)行，從而簡化硬件。自 2012 年 Kepler 架構(gòu)以來，英偉達(dá)一直使用 64 KB 的寄存器文件，因此增加寄存器文件容量似乎勢在必行。TMEM 在某種程度上實現(xiàn)了這一點。

AMD方面，CDNA2放棄了專用的Acc VGPR，并將所有VGPR合并到一個統(tǒng)一的128KB寄存器池中。采用更大的統(tǒng)一寄存器池可以使更廣泛的應(yīng)用程序受益，但代價是無法簡化某些硬件。

一些簡單的基準(zhǔn)測試

數(shù)據(jù)中心級GPU歷來擁有強(qiáng)大的FP64性能，B200也不例外。其基本FP64運(yùn)算速度僅為FP32的一半，遠(yuǎn)超消費級GPU。在我們自行編寫的基準(zhǔn)測試中，B200的表現(xiàn)依然優(yōu)于消費級GPU和H100。然而，即便MI300X是一款即將停產(chǎn)的GPU，其龐大的體積依然顯露無疑。

在上述工作負(fù)載中，我使用一個 2360x2250 的 FITS 文件（包含列密度值）并輸出相同尺寸的引力勢值。因此，數(shù)據(jù)量為 85 MB。即使沒有性能計數(shù)器數(shù)據(jù)，也可以合理地假設(shè)它能夠放入 MI300X 和 B200 的末級緩存中。

FluidX3D 的情況則有所不同。它的基準(zhǔn)測試采用 256x256x256 的單元配置，F(xiàn)P32 模式下每個單元占用 93 字節(jié)，因此需要 1.5 GB 的內(nèi)存。根據(jù)在 Strix Halo 顯卡上使用性能計數(shù)器進(jìn)行的測試，它的訪問模式對緩存并不友好。FluidX3D 充分發(fā)揮了 B200 的顯存帶寬優(yōu)勢，目前 B200 的性能已經(jīng)超越了 MI300X。

FluidX3D 還可以使用 16 位浮點格式進(jìn)行存儲，從而降低內(nèi)存容量和帶寬需求。計算仍然使用 FP32，格式轉(zhuǎn)換需要額外的計算資源，因此 FP16 格式可以帶來更高的計算帶寬比。這通常會提升性能，因為 FluidX3D 的性能很大程度上受限于帶寬。當(dāng)使用 IEEE FP16 進(jìn)行存儲時，AMD 的 MI300A 略有進(jìn)步，但仍然遠(yuǎn)勝于 B200。

另一種 FP16C 格式降低了使用 16 位存儲格式帶來的精度損失。它是一種無需硬件支持的自定義浮點格式，這進(jìn)一步提高了計算帶寬比。

計算能力再次成為焦點，AMD 的 MI300A 脫穎而出。B200 的表現(xiàn)也不錯，但它無法與 AMD 大型芯片 GPU 所提供的強(qiáng)大計算吞吐量相媲美

Teething Issues

在數(shù)周的測試中，我們遇到了三次 GPU 掛起問題。問題表現(xiàn)為 GPU 進(jìn)程卡死。隨后，任何嘗試使用系統(tǒng)八個 GPU 中任何一個的進(jìn)程都會掛起。即使使用 SIGKILL 信號也無法終止任何掛起的進(jìn)程。將 GDB 附加到其中一個進(jìn)程也會導(dǎo)致 GDB 凍結(jié)。系統(tǒng)對僅使用 CPU 的應(yīng)用程序保持響應(yīng)，但只有重啟系統(tǒng)才能恢復(fù) GPU 功能。nvidia-smi 進(jìn)程也會掛起。內(nèi)核消息顯示，Nvidia 統(tǒng)一內(nèi)存內(nèi)核模塊（nvidia_uvm）在禁用搶占的情況下獲取了鎖。

堆棧跟蹤信息表明，Nvidia 可能正在嘗試釋放已分配的虛擬內(nèi)存，或許是在 GPU 上。獲取鎖是合理的，因為 Nvidia 可能不希望其他線程在頁面空閑列表被修改時訪問它。至于為什么它始終無法離開臨界區(qū)，原因尚不清楚?；蛟S它向 GPU 發(fā)出了請求但從未收到響應(yīng)。又或許這純粹是主機(jī)端的一個軟件死鎖 bug。

# nvidia-smi -r

The following GPUs could not be reset:

GPU 00000000:03:00.0: In use by another client

GPU 00000000:04:00.0: In use by another client

GPU 00000000:05:00.0: In use by another client

GPU 00000000:06:00.0: In use by another client

GPU 00000000:07:00.0: In use by another client

GPU 00000000:08:00.0: In use by another client

GPU 00000000:09:00.0: In use by another client

GPU 00000000:0A:00.0: In use by another client

出現(xiàn)這種系統(tǒng)卡死的情況并不令人意外。硬件加速增加了系統(tǒng)的復(fù)雜性，也就意味著更多的故障點。但現(xiàn)代硬件架構(gòu)已經(jīng)發(fā)展到無需重啟即可處理GPU問題。例如，Windows的超時檢測與恢復(fù)（TDR）機(jī)制可以請求驅(qū)動程序重置卡死的GPU。nvidia-smi確實提供了重置選項。但令人沮喪的是，如果GPU正在使用中，該選項就無法生效。這完全違背了提供重置選項的初衷。我希望Nvidia能夠隨著時間的推移解決這些問題，尤其是在根本原因完全在于軟件或固件的情況下。但在如此短的時間內(nèi)多次遇到此類問題并非好兆頭，如果Nvidia能夠提供無需重啟系統(tǒng)即可解決此類問題的方法，那就更好了。

結(jié)語

英偉達(dá)在芯片組升級方面并未做出重大性能妥協(xié)。B200 是 H100 和 A100 的直接繼任者，軟件無需考慮多芯片架構(gòu)。與 AMD 的 MI300X（12 芯片怪獸）相比，英偉達(dá)的多芯片策略顯得較為保守。盡管 MI300X 已是即將停產(chǎn)的產(chǎn)品，但它仍然保留了一些令人驚喜的優(yōu)勢，優(yōu)于英偉達(dá)最新的 GPU。AMD 即將推出的數(shù)據(jù)中心 GPU 很可能也會保持這些優(yōu)勢，同時在 B200 已經(jīng)領(lǐng)先一些的領(lǐng)域迎頭趕上。例如，MI350X 將把顯存帶寬提升至 8 TB/s。

但英偉達(dá)的保守策略是可以理解的。他們的優(yōu)勢不在于打造市面上最強(qiáng)大、性能最卓越的GPU，而在于其CUDA軟件生態(tài)系統(tǒng)。GPU計算代碼通常首先針對英偉達(dá)GPU編寫，而對非英偉達(dá)GPU的考慮則往往是次要的，甚至根本不會考慮。硬件如果沒有相應(yīng)的軟件運(yùn)行，就毫無用處，而快速移植也無法獲得同等程度的優(yōu)化。英偉達(dá)無需在所有方面都與MI300X或其后續(xù)產(chǎn)品匹敵，他們只需要足夠優(yōu)秀，足以阻止競爭對手填補(bǔ)CUDA的“護(hù)城河”即可。試圖打造一款能夠與MI300X匹敵的“怪物”風(fēng)險極大，而英偉達(dá)在占據(jù)市場主導(dǎo)地位的情況下，完全有理由規(guī)避風(fēng)險。

盡管如此，英偉達(dá)的策略也給AMD留下了機(jī)會。AMD如果敢于冒險、追求卓越，必將獲益匪淺。像MI300X這樣的GPU堪稱硬件工程的杰作，充分展現(xiàn)了AMD實現(xiàn)高難度設(shè)計目標(biāo)的能力。英偉達(dá)保守的硬件策略和強(qiáng)大的軟件實力能否使其繼續(xù)保持領(lǐng)先地位，值得我們拭目以待。

https://chipsandcheese.com/p/nvidias-b200-keeping-the-cuda-juggernaut

（來源：編譯自chipsandcheese）

*免責(zé)聲明：本文由作者原創(chuàng)。文章內(nèi)容系作者個人觀點，半導(dǎo)體行業(yè)觀察轉(zhuǎn)載僅為了傳達(dá)一種不同的觀點，不代表半導(dǎo)體行業(yè)觀察對該觀點贊同或支持，如果有任何異議，歡迎聯(lián)系半導(dǎo)體行業(yè)觀察。

今天是《半導(dǎo)體行業(yè)觀察》為您分享的第4260期內(nèi)容，歡迎關(guān)注。

加星標(biāo)??第一時間看推送，小號防走丟

求推薦