深度解析 LPU：Groq 速度背后的秘密

Groq 的博客文章深入解析了其 LPU（语言处理单元）架构如何实现极低的推理延迟，同时保持模型精度。文章指出，传统 GPU 架构针对训练优化，在推理时不得不牺牲精度换取速度，而 LPU 通过硬件和软件的协同设计，从根本上解决了这一矛盾。

TruePoint 数字技术是 Groq 精度策略的核心。传统加速器采用激进的量化（如 INT8）以提高速度，但引入了累积误差。TruePoint 通过 100 位中间累加保证无损计算，并利用编译器策略在注意力 logits 中使用 FP32，在专家混合（MoE）权重中使用 Block Floating Point，在容错层中使用 FP8 存储。这使得推理速度比 BF16 快 2-4 倍，且在 MMLU 和 HumanEval 等基准测试中没有明显的精度损失。

内存架构方面，LPU 以数百兆字节的片上 SRAM 作为主存储器，而不是传统加速器使用的 DRAM 或 HBM。SRAM 访问延迟仅为几十纳秒，远低于内存几百纳秒的延迟，同时支持张量并行，将单个层分割到多个芯片上，进一步加速推理。

执行模型上，LPU 采用静态调度。编译器预先计算整个执行图，包括芯片间通信模式，细化到单个时钟周期。这消除了缓存一致性、重排序缓冲区、投机执行和运行时协调等开销，使得确定性执行成为可能。静态调度支持两种关键优化：张量并行（无尾延迟）和流水线并行（层 N+1 在层 N 完成前开始处理）。

并行策略上，Groq 强调张量并行而非数据并行。数据并行提高吞吐量但不降低单个请求的延迟，而张量并行将单个操作分布到多个处理器，显著减少推理延迟。这也是 Moonshot AI 的 Kimi K2 模型（万亿参数）能在 Groq 上实现实时生成的原因。此外，LPU 的架构高效支持投机解码，通过快速草稿模型预测多个 token，然后一次性验证，进一步提升性能。

在芯片互连方面，Groq 的 RealScale 使用准同步芯片间协议，消除时钟漂移，使数百个 LPU 如同单个核心一样工作。编译器能够精确预测数据到达时间，从而进行网络调度。

最后，Groq 强调了其与合作伙伴 Moonshot AI 的成果：Kimi K2 在 72 小时内以 40 倍性能运行。Groq 还发布了开源框架 OpenBench 以验证模型质量，并鼓励开发者尝试其服务。文章中列出了相关基准测试结果，显示 Groq 在精度上不逊于 GPU 方案。