深度解析 LPU：Groq 速度背後的秘密

Groq 的部落格文章深入解析了其 LPU（語言處理單元）架構如何實現極低的推理延遲，同時保持模型精度。文章指出，傳統 GPU 架構針對訓練最佳化，在推理時不得不犧牲精度換取速度，而 LPU 透過硬體和軟體的協同設計，從根本上解決了這一矛盾。

TruePoint 數字技術是 Groq 精度策略的核心。傳統加速器採用激進的量化（如 INT8）以提高速度，但引入了累積誤差。TruePoint 透過 100 位中間累加保證無損計算，並利用編譯器策略在注意力 logits 中使用 FP32，在專家混合（MoE）權重中使用 Block Floating Point，在容錯層中使用 FP8 儲存。這使得推理速度比 BF16 快 2-4 倍，且在 MMLU 和 HumanEval 等基準測試中沒有明顯的精度損失。

記憶體架構方面，LPU 以數百兆位元組的片上 SRAM 作為主儲存器，而不是傳統加速器使用的 DRAM 或 HBM。SRAM 訪問延遲僅為幾十納秒，遠低於記憶體幾百納秒的延遲，同時支援張量並行，將單個層分割到多個晶片上，進一步加速推理。

執行模型上，LPU 採用靜態排程。編譯器預先計算整個執行圖，包括晶片間通訊模式，細化到單個時鐘週期。這消除了快取一致性、重排序緩衝區、投機執行和執行時協調等開銷，使得確定性執行成為可能。靜態排程支援兩種關鍵最佳化：張量並行（無尾延遲）和流水線並行（層 N+1 在層 N 完成前開始處理）。

並行策略上，Groq 強調張量並行而非資料並行。資料並行提高吞吐量但不降低單個請求的延遲，而張量並行將單個操作分佈到多個處理器，顯著減少推理延遲。這也是 Moonshot AI 的 Kimi K2 模型（萬億引數）能在 Groq 上實現即時生成的原因。此外，LPU 的架構高效支援投機解碼，透過快速草稿模型預測多個 token，然後一次性驗證，進一步提升效能。

在晶片互連方面，Groq 的 RealScale 使用準同步晶片間協議，消除時鐘漂移，使數百個 LPU 如同單個核心一樣工作。編譯器能夠精確預測資料到達時間，從而進行網路排程。

最後，Groq 強調了其與合作伙伴 Moonshot AI 的成果：Kimi K2 在 72 小時內以 40 倍效能執行。Groq 還發布了開源框架 OpenBench 以驗證模型質量，並鼓勵開發者嘗試其服務。文章中列出了相關基準測試結果，顯示 Groq 在精度上不遜於 GPU 方案。