老黄祭出新核弹B200！30倍H100单机可训15个GPT-4模型，AI迎新摩尔时代_老黄核弹表情包

声明:本文来自于微信公众号 新智元（ID:AI_era），作者:新智元，授权转载发布。

【新智元导读】就在刚刚，老黄又来打破摩尔定律了:英伟达新核弹B200，一块能顶5个H100，30倍推理加速，能训万亿参数大模型!同时推出的AI推理微服务NIM，号称让全世界用上AI。

就在刚刚结束的GTC人工智能大会上，英伟达的新一代性能巨兽Backwell诞生了!

Blackwell B200GPU，是如今世界上最强大的AI芯片，旨在普惠万亿参数的AI。

本来，H100已经使英伟达成为价值数万亿美元的公司，赶超了谷歌和亚马逊，但现在，凭着Blackwell B200和GB200，英伟达的领先优势还要继续领先。

老黄表示——H100很好，但我们需要更大的GPU!

新的B200GPU，从2080亿个晶体管中能提供高达20petaflops的FP4性能。（H100仅为4petaflops）

而将两个B200与单个Grace CPU相结合的GB200，则可以为LLM推理工作负载提供30倍的性能，同时大大提高效率。

比起H100，GB200的成本和能耗降低了25倍!

Blackwell芯片和Hopper H100芯片的尺寸比较

这种额外的处理能力，就能让AI公司训练更大、更复杂的模型，甚至可以部署一个27万亿参数的模型。

更大的参数，更多的数据，未来的AI模型，无疑会解锁更多新功能，涌现出更多新的能力。

现在，老黄拿在手里的，或许是100亿美元。

新一代性能巨兽，深夜重磅登场

凭借H100成为全球市值第三大公司的英伟达，今天再次推出了性能野兽——Blackwell B200GPU和GB200超级芯片。

它以著名数学家David Blackwell（1919-2010）命名。他一生中对博弈论、概率论做出了重要的贡献。

老黄表示，30年来，我们一直在追求加速计算，目标是实现深度学习和AI等变革性突破。生成式AI已然成为我们这个时代的标志性技术，而Blackwell将是推动这场新工业革命的引擎。

我们认为这是个完美的博弈概率。

全新B200GPU拥有2080亿个晶体管，采用台积电4NP工艺节点，提供高达20petaflops FP4的算力。

与H100相比，B200的晶体管数量是其（800亿）2倍多。而单个H100最多提供4petaflops算力，直接实现了5倍性能提升。

而GB200是将2个Blackwell GPU和1个Grace CPU结合在一起，能够为LLM推理工作负载提供30倍性能，同时还可以大大提高效率。

值得一提的是，与H100相比，它的成本和能耗最多可降低25倍。

过去，训练一个1.8万亿参数的模型，需要8000个Hopper GPU和15MW的电力。

如今，2000个Blackwell GPU就能完成这项工作，耗电量仅为4MW。

在GPT-3（1750亿参数）大模型基准测试中，GB200的性能是H100的7倍，训练速度是H100的4倍。

GB200由2个GPU、1个CPU、一个主板组成

全新芯片其中一个关键改进是，采用了第二代Transformer引擎。

对每个神经元使用4位（20petaflops FP4）而不是8位，直接将算力、带宽和模型参数规模提高了一倍。

与此同时，英伟达还推出了第五代NVLink网络技术。

最新的NVLink迭代增强了数万亿参数AI模型的性能，提供了突破性的每GPU双向吞吐量，促进了无缝高速通信。

这也就是第二个关键区别，只有当你连接大量这些GPU时才会出现:新一代NVLink交换机可以让576个GPU相互通信，双向带宽高达1.8TB/秒。

这就要求英伟达打造一个全新的网络交换芯片，其中包含500亿个晶体管和一些自己的板载计算:拥有3.6teraflops FP8处理能力。

在此之前，由16个GPU组成的集群，有60%的时间用于相互通信，只有40%的时间用于实际计算。

Blackwell GPU增加了对FP4和FP6的支持

另外，Blackwell还配备了RAS引擎。

为了确保可靠性、可用性和可维护性，Blackwell GPU集成了专用引擎和基于AI的预防性维护功能，以最大限度地延长系统正常运行时间并最大限度地降低运营成本。

老黄表示，过去8年，计算规模扩展已经增加了1000倍。

网友:新的摩尔定律诞生了!

网友们纷纷惊叹，Blackwell再一次改变了摩尔定律。

英伟达高级科学家Jim Fan表示:Blackwell，城里的新野兽。

- DGX Grace-Blackwell GB200:单机架计算能力超过1Exaflop。

- 从这个角度来看:老黄交付给OpenAI的第一台DGX是0.17Petaflops。

- GPT-4-1.8T参数在2000张Blackwell上可在90天内完成训练。

新摩尔定律诞生了。

贾扬清回忆道，我记得在Meta，当我们在一小时内（2017年）训练ImageNet时，总计算量约为1exaflop。这意味着有了新的DGX，理论上你可以在一秒钟内训练ImageNet。

还有网友表示，这简直就是野兽，比H100强太多。

另有网友戏称，老黄确认GPT-4是1.8万亿参数。

所以，GB200的成本是多少呢?英伟达目前并没有公布。

此前据分析师估计，英伟达基于Hopper的H100芯片，每颗的成本在25，000美元到40，000美元之间，整个系统的成本高达200，000美元。

而GB200的成本，只可能更高。

新超算可训万亿参数大模型

当然，有了Blackwell超级芯片，当然还会有Blackwell组成的DGX超算。

这样，公司就会大量购入这些GPU，并将它们封装在更大的设计中。

GB200NVL72是将36个Grace CPU和72个Blackwell GPU集成到一个液冷机柜中，可实现总计720petaflops的AI训练性能，或是1，440petaflops（1.4exaflops）的推理性能。

它内部共有5000条独立电缆，长度近两英里。

它的背面效果如下图所示。

机柜中的每个机架包含两个GB200芯片，或两个NVLink交换机。一共有18个GB200芯片托盘，9个NVLink交换机托盘有。

老黄现场表示，一个GB200NVL72机柜可以训练27万亿参数的模型。

此前传言称，GPT-4的参数规模达1.8万亿，相当于能训练近15个这样的模型。

与H100相比，对于大模型推理工作负载，GB200超级芯片提供高达30倍的性能提升。

那么，由8个系统组合在一起的就是DGX GB200。

总共有288个Grace CPU、576个Blackwell GPU、240TB内存和11.5exaflop FP4计算。

这一系统可以扩展到数万个GB200超级芯片，通过Quantum-X800InfiniBand（最多144个连接）或Spectrum-X800ethernet(最多64个连接)与800Gbps网络连接在一起。

配备DGX GB200系统的全新DGX SuperPod采用统一的计算架构。

除了第五代NVIDIA NVLink，该架构还包括NVIDIA Bluefield-3DPU，并将支持Quantum-X800InfiniBand网络。

这种架构可以为平台中的每个GPU提供高达每秒1，800GB的带宽。

除此之外，英伟达还发布了统一的超算平台DGX B200，用于AI模型训练、微调和推理。

它包括8个Blackwell GPU和2个第五代Intel Xeon处理器，包含FP4精度功能，提供高达144petaflops的AI性能、1.4TB的GPU内存和64TB/s的内存带宽。

这使得万亿参数模型的实时推理速度，比上一代产品提高了15倍。

用户还可以使用DGX B200系统构建DGX SuperPOD，创建人工智能卓越中心，为运行多种不同工作的大型开发团队提供动力。

目前，亚马逊、谷歌、微软已经成为最新芯片超算的首批用户。

亚马逊网络服务，将建立一个拥有20，000GB200芯片的服务器集群。

不只是一个芯片，更是一个平台

自从ChatGPT于2022年底掀起AI热潮以来，英伟达的股价已经上涨了五倍之多，总销售额增长了两倍多。

因为英伟达的GPU对于训练和部署大型AI模型至关重要，微软、Meta等大公司都已纷纷豪掷数十亿购买。

如今各大公司和软件制造商还在争先恐后地抢购Hopper H100等芯片呢，GB200就已经出了。

老黄表示，Blackwell不是一个芯片，而是一个平台的名称。

从此，英伟达不再是芯片供应商，而更像是微软、苹果这样的平台提供商，可以让其他公司在平台上构建软件。

英伟达副总裁Manuvir Das表示，GPU是可销售的商业产品，而软件，是为了帮人们用不同的方式使用GPU。

虽然英伟达现在仍然售卖GPU，但真正不同的是，英伟达现在有了商业软件业务。

新软件NIM，代表着英伟达的推理微服务。

NIM使得在英伟达的任何GPU上运行程序都变得更容易，即使是可能更适合部署但不适合构建AI的旧GPU。

也就是说，假如一名开发者有一个有趣的模型，希望向人们推广，就可以把它放到NIM中。英伟达会确保它可以在所有的GPU上运行，这样模型的受众就大大扩展了。

NIM使得部署AI变得更容易，这就更加增加了客户使用英伟达芯片的粘性。

并且，与新AI模型的初始训练相比，NIM的推理需要更少的算力。

这样，想要运行自己AI模型的公司，就能运行自己的AI模型，而不是从OpenAI等公司购买对AI结果的访问权。

需要购买基于英伟达服务器的客户，需要注册Nvidia企业版，每个GPU每年需要花费4，500美元。

英伟达将与微软或Hugging Face等人工智能公司合作，确保他们的人工智能模型经过调整，可以在所有兼容的英伟达芯片上运行。

然后，使用NIM，开发者可以在自己的服务器或基于云的英伟达服务器上，高效运行模型，而无需冗长的配置过程。

Das介绍说，在自己调用OpenAI的代码中，他只替换了一行代码，就指向了NIM。

另外，NIM软件还将帮助AI在配备GPU的笔记本电脑上运行，而不是在云端的服务器上。

NIM支持跨多个领域的AI用例，包括LLMs、视觉语言模型（VLM）以及用于语音、图像、视频、3D、药物发现、医学成像等的模型。

AI API就是未来的软件。在未来，所有LLM都可以从云端获取，从云上下载，运行它的工作站。

终极生成式AI模型

而现在，整个行业都已经为Blackwell准备好了。

2012年，将一只小猫的图片输入，AlexNet识别后输出cat，让世界所有人为之震惊，并高呼这改变了一切。

而现在从三个字cat输出10million 像素成为了可能。仅用了10年时间，我们就可以识别文本、图像、视频。

万物都皆可数字化。

网友表示，老黄向我们展示了GenAI的终极游戏:多模态输入——多模态输出。

这是我们总有一天都会使用的最终模型。它可以获取任何模态并生成任何模态。同时，它还能在没有每个部件的情况下工作。

数字化的目的是让所有的目标都能成为机器学习的目标，从而让它们都能被AI生成。

比如，数字孪生地球，可以很好地帮助我们了解全球气象气候的变化。

将基因、蛋白质、氨基酸数字化，可以让人类去理解生命的力量。

在大会接近尾声时，活动迎来了一个小高潮:WALL-E机器人也登台表演了。

而生成式AI的未来应用不仅于此。

现在，有了世界最强的处理器Blackwell，新一轮技术革命即将开启。

参考资料:

https://youtu.be/Y2F8yisiS6E?list=TLGGFIbdOwQMZx4xODAzMjAyNA