在人工智能領域，模型參數(shù)的增多往往意味著性能的提升。但隨著模型規(guī)模的擴大，其對終端設備的算力與內(nèi)存需求也日益增加。低比特量化技術(shù)，由于可以大幅降低存儲和計算成本并提升推理效率，已成為實現(xiàn)大模型在資源受限設備上高效運行的關(guān)鍵技術(shù)之一。然而，如果硬件設備不支持低比特量化后的數(shù)據(jù)模式，那么低比特量化的優(yōu)勢將無法發(fā)揮。

為了解決這一問題，微軟亞洲研究院推出了全新的數(shù)據(jù)編譯器 Ladder 和算法 T-MAC，使當前只支持對稱精度計算的硬件能夠直接運行混合精度矩陣乘法。測試結(jié)果表明，Ladder 在支持 GPU 原本不支持的自定義數(shù)據(jù)類型方面，最高提速可達14.6倍；T-MAC 在搭載了最新高通 Snapdragon X Elite 芯片組的 Surface AI PC 上，使 CPU 上運行的大模型吞吐率比專用加速器 NPU 快兩倍。此外，研究員們還設計了 LUT Tensor Core 硬件架構(gòu)，這種精簡設計使硬件能夠直接支持各種低比特混合精度計算，為人工智能硬件設計提供了新思路。

大模型已經(jīng)越來越多地被部署在智能手機、筆記本電腦、機器人等端側(cè)設備上，以提供先進的智能及實時響應服務。但包含上億參數(shù)的大模型對終端設備的內(nèi)存和計算能力提出了極高的要求，也因此限制了它們的廣泛應用。低比特量化技術(shù)因其能顯著壓縮模型規(guī)模，降低對計算資源的需求，成為了大模型在端側(cè)部署和實現(xiàn)高效推理的有效手段。

隨著低比特量化技術(shù)的發(fā)展，數(shù)據(jù)類型日益多樣化，如 int4、int2、int1 等低比特數(shù)據(jù)，使得大模型在推理中越來越多地采用低比特權(quán)重和高比特權(quán)重計算的混合精度矩陣乘法（mixed-precision matrix multiplication，mpGEMM）。然而，現(xiàn)有的 CPU、GPU 等硬件計算單元通常只支持對稱計算模式，并不兼容這種混合精度的矩陣乘法。

混合精度矩陣乘法與傳統(tǒng)的矩陣乘法有何不同？

在傳統(tǒng)的矩陣乘法中，參與運算的兩端數(shù)值是對稱的，例如 FP16*FP16、int8*int8。但大模型的低比特量化打破了這種對稱性，使乘法的一端是高比特，另一端是低比特，例如在 1-bit 的 BitNet 模型中實現(xiàn)的 int8*int1 或 int8*int2，以及浮點數(shù)與整數(shù)的混合乘法 FP16*int4。

為了充分發(fā)揮低比特量化的優(yōu)勢，讓硬件設備能夠直接支持混合精度矩陣乘法，確保大模型在端側(cè)設備上的高速有效運行，微軟亞洲研究院的研究員們針對現(xiàn)有 CPU、GPU 計算算子和硬件架構(gòu)進行創(chuàng)新：

• 推出了數(shù)據(jù)類型編譯器 Ladder，支持各種低精度數(shù)據(jù)類型的表達和相互轉(zhuǎn)換，將硬件不支持的數(shù)據(jù)類型無損轉(zhuǎn)換為硬件支持的數(shù)據(jù)類型指令，在傳統(tǒng)計算模式下，使得硬件能夠支持混合精度的 DNN（深度神經(jīng)網(wǎng)絡）計算；
• 研發(fā)了全新算法 T-MAC，基于查找表（Lookup Table，LUT）的方法，實現(xiàn)了硬件對混合精度矩陣乘法的直接支持，軟件層面，在 CPU 上的計算相比傳統(tǒng)計算模式取得了更好的加速；
• 提出了新的硬件架構(gòu) LUT Tensor Core，為下一代人工智能硬件設計打開了新思路。