突破 HBM 容量問題！華為 UMC 技術、NVIDIA 投資新創從「KV 快取」找新解
生成式 AI 背後的數學運算極為複雜，而且在記憶體頻寬與容量方面存在嚴重瓶頸，因此許多公司不斷祭出解決方案，期盼能解決 HBM 記憶體容量不足問題。
華為資料儲存產品副總裁躍峰指出，目前 AI 推理面臨三大問題：「推不動」（輸入內容太長超出處理範圍）、「推得慢」（回應速度太慢）、「推得貴」（運算成本太高）。
一般來說，記憶體伺服器會利用新型高速介面協議 CXL 延伸系統主記憶體，將更多外部記憶體接進來，使得數 TB 的 DDR 主記憶體匯集起來，形成速度相對快、容量較大的快取，並搭配頻寬極高、讀寫很快、但容量相對有限的 HBM，用於 AI 工作負載。
（Source：智東西）
根據華為提到的記憶體需求，主要分成 HBM、DRAM 與 SSD。其中，HBM 主要儲存實時記憶數據，容量約 10GB~百 GB 級，主要是極熱數據與即時對話；DRAM 做為短期記憶數據，容量約百 GB~TB 級，主要是熱數據與多輪對話；SSD 長期記憶數據與外部知識，容量約 TB 級到 PB 級，主要是熱溫數據，如歷史對話、RAG 知識庫、語料庫。
KV 快取是什麼？
在分享各家記憶體解決方案前，先了解「KV 快取」（KV Cache）是什麼？
在 AI 推理階段，會用到一種類似人腦的「注意力機制」，包括記住查詢中重要的部分（Key）以及上下文中重要部分（Value），以便回答提示。
如果每處理一個新的 token（新詞），模型必須針對先前處理過的所有 token 重新計算每個詞的重要性（Key 與 Value），以更新注意力權重。換言之，這好比學生每讀一個新句子都要重新回顧整篇文章，過程會相當耗時。
也因此，大語言模型（LLM）被加入一種稱為「KV 快取」（KV Cache）的機制，能將先前的重要資訊（Key 與 Value）儲存在記憶體中，免去每次重新計算的成本，從而將 token 處理與生成速度提升數個數量級。
如果以剛剛學生讀句子為例，KV 快取則類似筆記的概念，能將重要資訊記錄下來，當有新的 token 時，不需要再重新回顧，直接從筆記裡的資訊即可計算新的注意力權重。
做為 AI 模型的短期記憶，優勢在哪？
根據美光官網介紹，KV 快取是「AI 模型的短期記憶」，它能讓模型記住之前的問題中已經處理過的內容，如此一來，每次用戶重啟之前的討論或提出新問題時，就不必從頭開始重新計算。
有了 KV 快取，AI 能隨時了解用戶說過的、推理過的、提供過的內容，並為這些更長、更深入的討論提供更快、更縝密的答案。
KV 快取可帶來多種優勢，如近乎即時的回應能力、可提供長格式語境，另可透過在儲存裝置中持續儲存 KV 快取以重複使用，減少每次 LLM 查詢所需的運算量，進而更有效率地利用 GPU。此外，還可以提供眾多並行使用者的雲端服務，使每個使用者的每次查詢連線到正確的引用，並保持運行順暢。
然而，當上下文越長，需要的快取就越大，即使是中等規模的模型，KV 快取也會迅速膨脹到每個會話多 GB，因此針對 KV 快取的解決方案，成為各家關注的焦點之一。
針對 KV 快取需求大、記憶體不足，各家如何解？
由於美國出口限制，中國很難獲得 HBM 等關鍵資源，因此華為近期開發一款名為「統一快取管理器」（Unified Cache Manager，簡稱 UCM）的新軟體工具，無需使用 HBM 即可加速大型語言模型（LLM）的訓練與推理。
UCM 是做為一款以「KV 快取」（KV Cache）為中心的推理加速套件，融合多類型緩存加速演算法工具，分級管理推理過程中產生的 KV 快取記憶數據，擴大推理上下文視窗，實現高吞吐、低時延的推理體驗，並降低每Token 推理成本。
該軟體根據不同記憶體類型的延遲特性，以及各類 AI 應用的延遲需求，將 AI 資料分配在 HBM、標準 DRAM 與 SSD 之間。
（Source：智東西）
其中，UCM 分為三部分，最上層是透過「連接生態」（Connector），靈活對接業界的多樣引擎與多元算力，如華為昇騰、NVIDIA 等；再來透過中層「記憶管理」（Accelerator），透過 KV 快取動態多級管理，將演算法拆成適合快速運算的方式，使運算更高效；最後是「存儲協同」（Adapter），與專業共享儲存相結合的存取介面卡，以更高效的方式讀寫存儲資料，減少等待時間。
經大量測試驗證，UCM 可將首 token 時延最高降低 90%，系統吞吐最大提升 22 倍，實現 10 倍級上下文窗口擴展。
NVIDIA 支持新創 Enfabrica 推出「EMFASYS」
由 NVIDIA 支持的晶片新創公司 Enfabrica，近期正式推出一套「EMFASYS」軟體搭配「ACF-S」晶片的系統，目標也是在於降低資料中心高昂的記憶體成本。
外媒 The Next Platform 認為，若能加速用於 AI 推理核心的 KV 快取，有望成為 Enfabrica 與同業等待已久的「殺手級應用」。報導稱，目前記憶體是一大瓶頸，而擁有一個能以主機主記憶體速度運行、足以存放 KV 向量與embeddings 的超大共享記憶體池，正是讓推理運行更快、更便宜的方法之一。
ACF-S 晶片（又稱為 SuperNIC）本質上是一顆融合乙太網路（Ethernet）與 PCI-Express/CXL 的交換晶片。
（Source：The Next Platform）
Enfabrica 創辦人暨執行長 Rochan Sankar 指出，這套系統的設計核心是自家研發的專用網路晶片，可讓 AI 運算晶片直接連接到裝滿 DDR5 記憶體規格的設備上。雖然 DDR5 傳輸速度不及 HBM，但價格卻便宜得多。
Enfabrica 試圖透過創新架構來降低記憶體成本，該公司利用自研的專用軟體，在 AI 晶片與大量低成本記憶體之間進行數據傳輸，進而在保證資料中心性能的同時，有效控制了成本。
EMFASYS 主要是做為 AI 推理工作負載的獨立記憶體加速器與擴展器，但可能只是 ACF-S 晶片組的應用之一，未來不排除搭載 NVLink Fusion I/O 晶片 的版本，讓高階 NVIDIA GPU 加速器能直接連接到 SuperNIC。
以下則為 EMFASYS 的記憶體系統。這主要是其中一種特別配置的應用，專門用來擴充系統中 GPU 與 XPU 的記憶體容量。
（Source：The Next Platform）
在中間機架中，擺放的是 EMFASYS記憶體伺服器，每個機架共有八台。每台記憶體伺服器內部安裝九顆SuperNIC，每顆 SuperNIC 提供兩個 CXL 記憶體 DIMM 通道，並透過每通道兩條 1TB DIMM，共提供 18TB 的DDR5 主記憶體容量。
目前 EMFASYS 機器可支援 18 個並行記憶體通道，明年將提升至 28 個通道。下圖則分享 KV 快取是如何連接的。
（Source：The Next Platform）
執行長 Rochan Sankar 指出，「我們基本上是打造一個擁有大量記憶體的傳統雲端儲存目標系統，並且在晶片上設置數十個埠，將交易條帶化分散到所有記憶體上。如果有一個超寬記憶體控制器，能將寫入擴散到所有通道，你的資料就能按照需求最大化地條帶化，並用所有埠同時分攤寫入。舉例來說，傳輸一個 100GB 的檔案，依據使用的連線數與記憶體通道數，所需時間可以非常短」。
（首圖來源：pixabay）
留言 0