本周，英伟达、Arm和英特尔共同发表了8比特位浮点（8-bit Floating Point，FP8）规格，旨在以较低精确度的格式改善计算能效，加快深度学习训练推理速度，以作为AI的标准交换格式，已计划将该规格提交给电子工程师协会（Institute of Electrical and Electronics Engineers，IEEE）。
英伟达称，AI处理需要跨软硬件平台的全栈创新，才能解决神经网络日益增加的计算需求，促进效率的关键之一是采用较低精确的数字格式来改善计算能效，降低内存的使用，并针对互动频宽进行最佳化。
为了实现上述好处，业界已由32比特位的精确度降至16比特位，现在则是8比特位，而他们相信拥有一个共同的交换格式，将能推动软硬件平台的互动，进而改善计算。
因此，英伟达、Arm和英特尔共同撰写了《供深度学习使用的FP8格式》（FP8 Formats for Deep Learning）白皮书，用以描述8比特位浮点规格，提供一个共同的格式加速包括AI训练与推理的AI发展。
FP8规格由E5M2与E4M3组成，前者使用5个比特位来表示指数，2个比特位表示尾数，后者则是以4个比特位表示指数，3个表示尾数，由于该规格只使用了8个比特位，因而节省了额外的计算周期。
图表取自《FP8 Formats for Deep Learning》白皮书
此外，FP8最大限度地减少了它与IEEE 754浮点格式的偏差，在软硬件之间取得了良好的平衡，因而得以利用现有的实作，加速采用，并改善开发者的生产力。
根据实验，不管是在Transformer、电脑视觉或是GAN网络上，FP8训练的准确性都类似16比特位的结果，但能效上却有极大的进步。例如英伟达的Hopper在BERT高精确模型上采用FP8格式，在无损准确性的状态下创造了4.5倍的速度。
此一规格将采用开放及免费授权形式，旨在由一个可维持准确性的交换格式，让AI模型于所有硬件平台上都能有一致的表现。
