在生成式AI的技术浪潮下，算力不足的问题非常突出，高性能的数据中心级GPU成了备受追捧的计算资源。然而，英特尔更希望让用户看到至强可扩展处理器在生成式AI方面的就业前景，为用户提供除了GPU以外的另一个方案。
2023年12月，英特尔发布第五代英特尔至强可扩展处理器，对微处理器架构进行优化，从四个芯片拼接方案改成了两个芯片拼接，访问延迟大幅减少。最大核心数提高到了64核，内存带宽也提高到了5600MT/s，三级缓存提升了将近3倍，这都是硬件层面上的主要创新。
虽然第四代和第五代都支持AMX和AVX-512指令集，但第五代英特尔至强可扩展处理器，因为硬件规格的提升，包括内存带宽和三级缓存容量的提升，最后让AI推理性能显著提高了42%，使得它成为更适合AI的服务器处理器。
除了硬件的提升，英特尔人数众多的软件团队还在x86架构上进行持续优化。英特尔对开源软件的支持素来属于行业模范，对于TensorFlow、PyTorch这类主流开源机器学习框架的支持自不必说。
英特尔市场营销集团副总裁、中国区数据中心销售总经理兼中国区运营商销售总经理庄秉翰表示，英特尔在软件生态上有很大投入，随着第五代至强的发布，英特尔向社区上传了300多个深度学习模型，支持50多个面向第五代至强优化过的模型，这些都可以供开发者调用。
此外，自家推出的OpenVINO可用于优化深度学习推理在各种英特尔硬件，包括CPU、GPU、FPGA等芯片上的性能表现。当然，想要让CPU来跑大语言模型就不得不提oneDNN和oneCCL。
oneDNN（oneAPI Deep Neural Network Library）是一个开源的跨平台性能库，专为深度学习应用而设计。oneDNN简化了开发者优化深度学习应用的过程，同时最大化利用英特尔硬件的计算能力，提升深度学习模型在这些平台上的性能。
oneCCL（oneAPI Collective Communications Library）是专为分布式和并行计算设计的一个库，它能使计算节点间的数据传输和同步变得简单高效，是HPC和大规模深度学习场景中不可或缺的组件，它使得基于CPU的大规模分布式推理成为可能。
谈到大语言模型的推理就得介绍一个叫Token Latency的参数，Token Latency指的是从输入第一个token到模型生成第一个token的延迟。它是衡量大模型响应速度的指标，也是考验CPU推理性能的指标。
从英特尔专家的介绍中了解到，100ms是客户业务的阈值，大于100ms时业务体验会比较差。所以，只要至强处理器能把大模型的Token Latency控制在100ms以下，那就能用来推理大模型。
从英特尔公布的测试数据来看，当使用一台基于第四代或者第五代至强的服务器来推理10亿参数模型时，Token Latency能控制在20ms以下。同样是这台服务器，如果用来推理60-70亿参数模型时，延迟就提高到了60ms左右，推理130亿参数就达到了100ms。
如果想要推理300亿参数的模型，同时想把延时控制在100ms以下的话，就需要两台基于第四代或者第五代至强的两路服务器。当然，如果选择至强Max的方案，则只需要一台两路服务器即可。看来，在推理性能上，一台至强Max大概等于两台至强可扩展处理器的方案。
最后，英特尔至强在推理700亿参数模型时，想要控制在100ms以下，就需两台基于至强Max的两路服务器，或者4台基于至强可扩展处理器的两路服务器。英特尔给出的结论显示，英特尔至强在推理130亿参数以下的大模型时，性能表现良好。
实际落地中，英特尔和百度一起，使用四台基于第五代英特尔至强可扩展处理器的双路服务器，支持了70B参数的模型，服务器间的互连采用了oneCCL和RDMA网络，并将延迟可控制在了100ms以内。实际操作证明了GPU并不是大模型推理的唯一选择，CPU也行。
英特尔专家表示，对于业务仍处于起步阶段的公司而言，可以在综合考虑各种方案的表现，方案的成本，考虑资源是否能够充分利用的前提下，再做出采购选择。此时，用户可以发现，使用至强做推理是一更很稳妥的选择。
在实际落地中，百度云上使用四台基于第五代英特尔至强的云主机来推理Llama2 70B时，可以达到87.5ms的推理延迟。百度也表示，考虑部署和运维等成本，一般企业导入基于至强的生成式AI服务，能大幅降低初期投入成本。
从庄秉翰的介绍中了解到，英特尔有很多OEM伙伴都推出了基于第五代英特尔至强可扩展处理器的一体机，用来推理7B、13B，甚至34B的大模型，这些通用处理器都支持AMX、AVX-512指令集，可以用来满足推理大模型的需求。
