3619
车载大模型的定义尚无，传统大模型即LLM的参数一般在70亿至2000亿之间，而早期的CNN模型参数通常不到1000万，CNN模型目前大多做骨干网使用，参数飞速增加。特斯拉使用META的RegNet，参数为8400万，消耗运算资源很少，得分82.9也算不低；小米UniOcc使用META的ConvNeXt-B，参数8900万，消耗运算资源最少，得分83.8；华为RadOcc使用微软的Swin-B，参数8800万。相对于早期的CNN模型，这些都可以叫大模型，但要与真正意义上的ChatGPT之类的LLM大模型比，这些是小模型都称不上，只能叫微模型。
不过，端到端的出现改变了这一现状，端到端实际上是内嵌了一个小型LLM，随着喂养数据的增加，这个大模型的参数会越来越大，最初阶段的模型大小大概是100亿参数，不断迭代，最终会达到1000亿以上。非安全类的大模型应用基本不用考虑计算问题，所以只要是个手机都敢说能跑数百亿的大模型，实际很多算力不如手机的电脑也能跑，因为延迟多几秒几十秒也没有问题，但自动驾驶必须将延迟降低到几十毫秒内。但你要以为这对算力要求更高了，那就大错特错了，存储带宽远比算力重要千倍。
当前的主流 LLM 基本都是Decoder Only的Transformer模型，其推理过程可分为两个阶段：
Prefill：根据输入Tokens（Recite, the, first, law, of, robotics） 生成第一个输出 Token（A），通过一次Forward就可以完成，在Forward中，输入Tokens间可以并行执行（类似 Bert这些Encoder模型），因此执行效率很高。
Decoding：从生成第一个Token（A）之后开始，采用自回归方式一次生成一个Token，直到生成一个特殊的Stop Token（或者满足用户的某个条件，比如超过特定长度）才会结束，假设输出总共有N个Token，则Decoding阶段需要执行N-1次Forward，这N-1次Forward 只能串行执行，效率很低。另外，在生成过程中，需要关注的Token越来越多（每个Token 的生成都需要Attention之前的Token），计算量也会适当增大。
LLM推理计算过程时间分布
在车载自动驾驶应用场合，序列长度基本可等同于摄像头的像素数量和激光雷达的点云密度。
在 LLM 推理中最关键的就是上图中的Multi-Head Attention（MHA），其主要的计算集中在左图中灰色的 Linear（矩阵乘）和Scaled Dot-Product Attention中的MatMul 矩阵乘法。
图中的Mask是一个下三角矩阵，也是因为这个下三角矩阵实现了LLM Decoder的主要特性，每个Token都只能看到当前位置及之前的Token。其中的QKV可以理解为一个相关性矩阵，4个Token对应4 个Step，其中：
-
- Step 2依赖Step 1的结果，相关性矩阵的第1行不用重复计算。Step 3依赖Step 1和Step 2的结果，相关性矩阵的第1行和第2行不用重复计算。
Step 4依赖Step 1、Step 2和Step 3的结果，相关性矩阵的第1行、第2行和第3行不用重复计算。
在Decoding阶段Token是逐个生成的，上述的计算过程中每次都会依赖之前的结果，换句话说这是串行计算，而非GPU擅长的并行计算，GPU大部分时候都在等待数据搬运。加速的办法是计算当前Token时直接从KV Cache中读取而不是重新计算，对于通用LLM，应用场景是要考虑多个并发客户使用，即Batch Size远大于1，KV Cache的缓存量会随着Batch Size暴增，但在车里用户只有一个，就是自动驾驶端到端大模型，即Batch Size为1。
因为Decoding阶段Token逐个处理，使用KV Cache之后，上面介绍的Multi-Head Attention 里的矩阵乘矩阵操作全部降级为矩阵乘向量即GEMV。此外，Transformer模型中的另一个关键组件FFN 中主要也包含两个矩阵乘法操作，但 Token之间不会交叉融合，也就是任何一个Token都可以独立计算，因此在Decoding阶段不用Cache之前的结果，但同样会出现矩阵乘矩阵操作降级为矩阵乘向量。Prefill阶段则是GEMM，矩阵与矩阵的乘法。
矩阵乘向量操作是明显的访存bound，而以上操作是LLM推理中最主要的部分，这也就导致LLM推理是访存bound类型。
三星对GPT大模型workload分析
上图是三星对GPT大模型workload分析。在运算操作数量上，GEMV所占的比例高达86.53%；在大模型运算延迟分析上，82.27%的延迟都来自GEMV，GEMM所占只有2.12%，非线性运算也就是神经元激活部分占的比例也远高于GEMM。
三星对GPU利用率的分析
上图是三星对GPU利用率的分析，可以看出在GEMV算子时，GPU的利用率很低，一般不超过20%，换句话说80%的时间GPU都是在等待存储数据的搬运。还有如矩阵反转，严格地说没有任何运算，只是存储行列对调，完全是存储器和CPU在忙活。解决办法很简单且只有一个，就是用HBM高宽带内存。
与传统LLM最大不同就是车载的Batch Size是1，导致GPU运算效率暴跌，传统LLM的Batch Size通常远大于1，这让GPU效率增加。
图上不难看出，Batch Size越大，推理速度反而越快，但KV Cache容量会暴增；车载的Batch Size是1，推理速度反而很慢，好处是根本不用考虑KV Cache的容量。
最终我们可以得出结论，存储带宽决定了推理计算速度的上限。假设一个大模型参数为70亿，按照车载的INT8精度，它所占的存储是7GB，如果是英伟达的RTX4090，它的显存带宽是1008GB/s，也就是每7毫秒生成一个token，这个就是RTX4090的理论速度上限。特斯拉第一代FSD芯片的存储带宽是63.5GB/s，即每110毫秒生成一个token，帧率不到10Hz，自动驾驶领域一般图像帧率是30Hz；英伟达的Orin存储带宽是204.5GB/s，即每34毫秒生成一个token，勉强可以达到30Hz，注意这只是计算的数据搬运所需要的时间，数据计算的时间都完全忽略了，实际速度要远低于这个数据。并且一个token也不够用，至少需要两个token，端到端的最终输出结果用语言描述就是一段轨迹，比如直行，直行需要有个限制条件，至少有个速度的限制条件，多的可能需要5个以上token，简单计算即可得出存储带宽需要1TB/s以上。
实际情况远比这个复杂的多。车载领域不是传统LLM使用CPU和GPU分离形式，车载领域的计算SoC都是将CPU和AI运算部分合二为一，AI运算部分通常是GPU或加速器是和CPU共享内存的。而在非车载领域，GPU或AI运算部分有独立的存储，即显存。车载领域共享内存一般是LPDDR，它主要是为CPU设计的，注重速度即频率而非带宽。不像显存，一般是GDDR或HBM，注重带宽，不看重频率高低。上述所有理论都是基于显存的，在车载领域共享LPDDR，其性能远远低于单独配置的显存，无论是速度还是容量，共享存储都必须远比单独的显存要高才能做到大模型推理计算。
理想用英伟达Orin做了测试，纯端到端模式延迟高达1.5秒。
所以车载领域存储比算力重要很多，最好的解决办法是HBM，但太贵了，32GB HBM2最低成本也得2000美元，汽车领域对价格还是比较敏感的，退而求其次，就是GDDR了。GDDR6的成本远低于HBM，32GB GDDR6大概只要180美元或更低。
几代GDDR的性能对比
整理：佐思汽研
基本上GDDR6的理论上限就是672GB/s，特斯拉第二代FSD芯片就支持第一代GDDR6，HW4.0上的GDDR6容量为32GB，型号为MT61M512M32KPA-14，频率1750MHz（LPDDR5最低也是3200MHz之上），是第一代GDDR6，速度较低。即使用了GDDR6，要流畅运行百亿级别的大模型，还是无法实现，不过已经是目前最好的了。
GDDR7正式标准在2024年3月公布，不过三星在2023年7月就发布了全球首款GDDR7，目前SK Hynix和美光也都有GDRR7产品推出。有些人会说，换上GDDR7显存不就行了，当然没那么容易，GDDR需要特殊的物理层和控制器，芯片必须内置GDDR的物理层和控制器才能用上GDDR，Rambus和新思科技都有相关IP出售。
在芯片领域，GDDR7增加的成本和LPDDR5X一样的。
特斯拉的HW4.0过了一年半毫无动作，笔者认为特斯拉的第二代FSD芯片显然是落伍了，特斯拉也不打算大规模用了，特斯拉的第三代FSD芯片应该正在开发中，可能2025年底就完成开发，至少支持GDDR6X。
大模型时代，Attention Is All You Need，同样大模型时代 Memory Is All You Need。
免责说明：本文观点和数据仅供参考，和实际情况可能存在偏差。本文不构成投资建议，文中所有观点、数据仅代表笔者立场，不具有任何指导、投资和决策意见。
下载ECAD模型
