随着人工智能改变产业与国家安全，掌握最新硬件能力对维持技术优势十分关键。AI 加速器是专门为神经网络、深度学习和机器学习等任务提速的系统，近十年来一直是研发热点。自 2018 年起，MIT 林肯实验室超级计算中心（LLSC）的一个团队开始开展林肯 AI 计算调查（Lincoln AI Computing Survey，简称 LAICS，读作“lace”）。如今六篇论文之后，LAICS 仍在持续汇总市面上的商用 AI 加速器，并比较它们的峰值性能和峰值功耗。
LLSC 的 Albert Reuther 表示，大约八年前，他们看到研究论文中描述的研究型 AI 加速器以及厂商宣布的商用加速器数量急剧上升，实验室的政府资助方也开始询问相关问题。这促使团队启动这项调查。LLSC 负责运行和优化实验室数千名研究人员使用的高性能计算系统。
虽然 AI 加速器常用于机器学习，但它们也能支持其他并行应用，例如分子功能建模和流体动力学模拟加速，这些过程计算成本很高。
AI 加速器有多种形态：中央处理器（CPU）、图形处理器（GPU）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）和数据流加速器。不同类型的加速器能力略有差异。CPU 适合通用计算，而 ASIC 只能执行非常特定的任务。数据流加速器、FPGA 和 GPU 更灵活，可针对多种工作负载进行配置。由于设计方式不同，各类加速器的效率和性能也各不相同。LAICS 的目标是调查当前市场上的技术并进行比较，以便为特定需求找到最合适的加速器。
该调查由 Reuther 领导，团队成员包括 LLSC 的 Michael Jones、Peter Michaleas、Jeremy Kepner 和 Vijay Gadepally。团队还与林肯实验室多个部门的研究人员合作，包括先进技术部以及情报、监视与侦察和战术系统部，以了解加速器如何支持其任务的研发工作。
系列论文的第一篇研究了 57 款加速器，而最新一篇考察了 120 多款。团队用于比较加速器的主要指标是峰值性能和功耗，然后按芯片、板卡或系统进行分类。论文中的所有数据都来自公开来源，这可能具有挑战性，因为一些公司倾向于不公开其性能和功耗数据。为了跟上领域最新进展，Reuther 每天进行新闻和引用检索，汇总新的技术媒体报道、公司公告和行业演示。
Reuther 说，每年都有另外 5 到 10 家初创公司获得融资并对外宣布，然后发布新的 AI 加速器，这继续令他感到惊讶。人们可能认为这一领域已经足够饱和，但随后又会出现一批创新加速器。
除了总结当前加速器的性能与峰值功耗，每篇论文还会探讨该领域的一个新方面。例如，2022 年发表的论文调查了性能提升的来源，发现它们来自更小、更密集的晶体管设计，以及使用更低的数值精度（即计算更少的有效数字）。最新论文考察了可用的不同架构选择，分析增加某些组件（例如每个处理器更多核心或并行性能）会如何改变系统。
Reuther 计划在可预见的未来继续这项调查。他指出，仅在过去几个月里，就有六家初创公司宣布了他们的首款 AI 加速器。
Reuther 表示，AI 及其运行的硬件是非常热门的话题，林肯实验室作为无偏的技术顾问，在选择和推进正确技术方面发挥重要作用。他们的 AI 加速器调查帮助许多资助方和政府同事更好地理解 AI 加速器格局，并在相关研究和采购决策上做出更佳选择。这项调查对于确定 LLSC 未来系统采购应考虑哪些 GPU 也很有价值，因此它不仅使资助方和任务项目受益，也使所有 LLSC 用户受益。
完整的系列论文和配套数据集可在此处找到。