MI350细节来了，对话AMD首席架构师

本文由半导体产业纵横（ID：ICVIEWS）编译自chipsandcheese

MI350系列加速器幕后的故事。

在AMD的“推进AI2025”大会上，记者采访了AMD高级研究员兼Instinct架构首席设计师艾伦·史密斯（AlanSmith），并围绕MI350系列加速器中搭载的CDNA4架构展开探讨。以下是经过精简和优化的文字实录。

聊聊MI350吧，它仍然基于GFX9架构，也就是Vega架构或其衍生版本。为什么MI350依然采用GFX9，而客户端产品如RDNA 3/4已分别升级至GFX11/GFX12？

艾伦：这个问题问得很好。正如大家都知道的，CDNA架构源自之前几代的InstinctGPU，从MI100及更早的产品开始，都采用的是GraphicsCoreNext（GCN）架构。经过几代的发展，CDNA已经针对高性能计算和AI领域的分布式计算算法进行了高度优化。因此，我们认为以GFX9为基础来打造MI350，能够为我们提供实现MI350系列性能目标所需的关键要素。

关于GCN架构，我们知道它有独立的L1缓存和LDS（本地数据存储）。为什么MI350仍然保留了这一设计，而没有将它们合并呢？

艾伦：这是GCN架构的一个传统设计，也是计算单元基本构建方式的核心所在。我们觉得在这一代产品中，还不是进行这种规模微架构变革的合适时机。所以我们采取了另一种方式，增加了LDS的容量。之前的MI300系列中，LDS容量为64KB，而在MI350系列中，我们将其提升到了160KB。此外，我们还提高了带宽。我们将LDS到寄存器文件的带宽翻倍，以便能够满足MI350系列中TensorCore的运算速率需求。

说到TensorCore，你们在MI350x中引入了支持FP8、FP6和FP4数据类型的微缩放格式。有趣的是，MI350的一个主要优势在于FP6的运算速率与FP4相同。你能谈谈这是如何实现的，以及为什么要这样设计吗？

艾伦：当然可以。我们认为，在MI350进入市场的这个时期，考虑到当前AI领域的发展状况，FP6格式不仅有潜力用于推理，还有可能用于训练。因此，我们希望确保FP6的性能在同类产品中处于领先地位，超越其他厂商可能已经实现或正在实现的水平。由于硬件设计需要很长的前置时间，我们在几年前就开始考虑这个问题，希望确保MI350在FP6性能上占据领先地位。所以我们决定让FP6数据路径的吞吐量与FP4数据路径相同。当然，为了实现这一点，我们需要在硬件上做一些额外的投入。显然，FP6比FP4多了几个比特，这也是它被称为FP6的原因。但我们成功地在矩阵引擎的面积限制内实现了这一点，并且以一种非常节能和省面积的方式做到了。

谈到数据类型，在硬件级加速的操作列表中没有看到TF32。为什么要从MI350中移除这个功能，或者说为什么它不是MI350的主要考虑因素呢？

艾伦：其实我们是考虑过的，但最终决定移除它。我们认为在这个时期，脑浮点16（BF16）格式可以被大多数模型用来替代TF32。而且我们在BF16上的吞吐量比TF32高得多，所以我们觉得对于这个产品实现来说，这是一个正确的权衡。

如果使用TF32，速度会是多少呢？会和FP32的速度一样吗？

艾伦：使用TF32会有两种选择。我们提供了一些仿真功能，虽然我不能立刻说出确切的吞吐量细节，但我们确实提供了基于软件的仿真，使用BF16来仿真TF32，或者你也可以将其转换为FP32，以FP32的速率使用。

从计算单元（CU）谈到XCD（计算裸片），新的计算裸片现在采用了N3P工艺，但物理上裸片上的CU数量从40个减少到了36个，每个着色器引擎禁用了4个CU。为什么现在是32个启用的CU，为什么要减少数量呢？

艾伦：在 MI300 上，我们协同设计了 MI300X 和 MI300A 两个版本，一个用于 HPC（高性能计算），一个用于 AI。在 MI300A 中，我们只有六个 XCD。因此，当我们只有六个加速器小芯片时，我们需要确保有足够的计算单元来支撑 HPC 或高性能计算（即传统的 FP64 双精度浮点模拟）的性能水平，以达到我们为目标市场（领导级超级计算机）设定的性能目标。

我们做到了这一点，并与劳伦斯利弗莫尔国家实验室 (Lawrence Livermore) 一起，通过 El Capitan 超级计算机交付了世界上最快的（HPC）系统。但作为当时的考量，我们希望每个 XCD 拥有更多的计算单元，以便在 MI300A 中总共达到 224 个 CU。

而在MI350上，它是专门设计为纯加速器、独立加速器的，我们在那里有更大的灵活性。因此我们决定让每个芯片上启用的计算单元数量是2 的幂——物理上是 36 个，但我们启用 32 个。其中四个（每个着色器引擎一个）用于良率冗余（harvesting），我们在台积电 N3（一项领先技术）的高产量制造过程中将它们熔断禁用，最终保证我们启用的数量是 32 个。

32 是个很好的 2 的幂数，如果你有 2 的幂数的计算单元，张量填充（tiling）会更容易。所以你处理的大多数张量，或者说很多张量，都是基于 2 的幂数的矩阵。这样就能轻松地将它们填充（tile）到计算单元的数量中，并减少可能出现的“尾部效应”（tail effect）。因为如果你的计算单元数量不是 2 的幂数，那么张量的某部分可能无法很好地直接映射，你可能需要在最后只使用一部分计算单元来完成剩余的工作。因此我们发现，拥有 2 的幂数的计算单元数量可以带来一些优化。

虽然新的计算单元采用了N3P工艺，但I/O裸片采用的是N6工艺，为什么继续使用N6呢？

艾伦：首先，在我们的小芯片技术中，我们是有选择的，采用小芯片设计让我们能够在合适的情况下选择不同的工艺。而I/O裸片中的部件，往往不太适合采用先进工艺进行缩放。比如HBM物理层（PHYs）、高速串行器/解串器（SERDES）、我们配备的InfinityCache缓存以及静态随机存取存储器（SRAMs）等，这些部件不太容易随着工艺的进步而很好地缩放。因此，在大尺寸裸片上采用成熟良率的旧工艺，可以为我们的客户提供具有成本效益和总拥有成本（TCO）优势的产品。然后，我们能够将最先进的工艺，如N3P，用于计算部分，因为在计算单元的实现上，我们可以从功耗和面积缩放中获得显著的好处。

除LDS外，缓存层级架构是否有变化？

艾伦：因为，MI300的设计是为了在高性能计算中实现最高性能，要做到这一点，我们需要为计算单元提供足够的全局带宽，以支持双精度浮点运算。所以我们已经设计了InfinityFabric和XCC（加速计算核心）内部的结构，以提供足够的带宽来满足MI300中高双精度矩阵运算的需求，以及与之相关的所有缓存层级结构。因此，我们能够利用已经内置在MI300中的这些互连能力，所以不需要对它们进行任何修改。

对于 MI350，你们现在从四个基础裸片减少到了两个基础裸片。这一变化在顶部裸片的布局方面实现了哪些优化？

艾伦：在MI350中，I/O裸片只有两个。每个I/O裸片承载四个加速器小芯片，而在MI300中，我们有四个I/O裸片，每个承载两个加速器小芯片。

我们这样做的原因是，我们希望增加来自全局HBM的带宽。MI300是为HBM3设计的，而MI350则是专门为HBM3E设计的。所以我们希望从5.2或5.6Gb/s提升到完整的8Gb/s。但我们也希望以尽可能低的功耗来实现这一点，因为在固定的GPU功耗水平下，以最低的每比特能耗将数据从HBM传输到计算核心，就能在同一时间为计算部分提供更多的功耗。对于受带宽限制的内核，通过减少数据传输所消耗的功率，我们可以将更多的功率用于计算，从而为这些内核提供更高的性能。

因此，我们通过将两个芯片合并为一个，能够拓宽这些芯片内部的总线，这样每个时钟周期可以传输更多的数据，因此我们可以以更低的频率和更低的电压运行它们，这使得传输这些数据所需的功率随着电压的平方而降低。这就是我们这样做的原因。

说到功耗，MI350x的功耗为1000瓦，MI355x为1400瓦。当考虑到功耗增加40%时，除了系统冷却，在保持各个小芯片在公差范围内方面，有哪些不同的散热考虑呢？

艾伦：当我们对这些芯片进行整体功耗和散热架构设计时，我们会从主板一直考虑到子板，在这种情况下是UBB（通用基板）、OAM（OCP加速器模块），然后到CoWoS（芯片在晶圆在基板上）的堆叠，中间层的I/O裸片，以及上面的计算部分。我们会考虑整个堆叠的总热密度，以及堆叠内部的热传输或热阻，还有为了进行散热而需要在上面构建的热界面材料。

因此，我们为MI350系列提供了两种不同的散热解决方案。一种是风冷，如你所说；另一种是直接附着液冷。在液冷情况下，冷板会直接附着在芯片顶部的热界面材料上。我们对整个堆叠进行热建模，并直接与所有技术合作伙伴合作，确保我们在芯片中构建的功率密度能够被整个散热堆叠所处理。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。