時隔半年，MLPerf組織發布最新的MLPerf Inference v1.0結果，V1.0引入了新的功率測量技術、工具和度量標準，以補充性能基準，新指標更容易比較系統的能耗，性能和功耗。
V1.0版本的基準測試內容云端推理依舊包括推薦系統、自然語言處理、語音識別和醫療影像等一系列工作負載，邊緣AI推理測試則不包括推薦系統。
所有主要的OEM都提交了MLPerf測試結果，其中，在AI領域占有優勢地位的NVIDIA此次是唯一一家提交了從數據中心到邊緣所有MLPerf基準測試類別數據的公司，并且憑借A100 GPU刷新了紀錄。
不僅如此，超過一半提交成績的系統都采用了NVIDIA的AI平臺。
不過，初創公司提交其AI芯片推理性能Benchmark的依舊很少。
AI推理最高性能半年提升45%
雷鋒網在MLPerf Inference v0.7結果發布的時候已經介紹過，NVIDIA去年5月發布的安培架構A100 Tensor Core GPU在云端推理的基準測試性能是最先進英特爾CPU的237倍。
經過半年的優化，NVIDIA又將推薦系統模型DLRM、語音識別模型RNN-T和醫療影像3D U-Net模型的性能進一步提升，提升幅度達最高達45%，與CPU的性能差距也提升至314倍。
從架構的角度看，GPU架構用于推理優勢并不明顯，但NVIDIA依舊憑借其架構設計配合軟件優化刷新了MLPerf AI云端和邊緣推理的Benchmark紀錄。
MLPerf的Benchmark證明了A100 GPU性能，但其不菲的售價也是許多公司難以承受的。
今天，更具性價比的NVIDIAA30(功耗165W)和A10(功耗150W) GPU也在MLPerf Inference v1.0中首秀。
A30 GPU強于計算，支持廣泛的AI推理和主流企業級計算工作負載，如推薦系統、對話式AI和計算機視覺。
A10 GPU更側重圖像性能，可加速深度學習推理、交互式渲染、計算機輔助設計和云游戲為混合型AI和圖形工作負載提供支持。可以應用于AI推理和訓練的A30和A10 GPU今年夏天開始會應用于各類服務器中。
A100云端AI推理性能比CPU高314倍
A100經過半年的優化，與CPU的性能差距從v0.7時最多237倍的差距增加到了最高314倍。
具體來看，在數據中心推理的Benchmark中，在離線(Offline)測試，A100比最新發布的A10有1-3倍的性能提升，在服務器(Server)測試中，A100的性能最高是A10的近5倍，在兩種模式下，A30的性能都比A10高。
值得注意的是，英特爾本月初最新發布的第三代至強可擴展CPU Ice Lake的推理性能相比上一代Cooper Lake在離線測試的ResNet-50和SSD-Large模型下有顯著提升，但相比A100 GPU體現出17-314倍的性能差距。
高通AI 100的云端AI推理在MLPerf Inference v1.0測試下表現不錯，其提交的離線和服務器測試下的ResNet-50和SSD-Large模型成績顯示，高通AI 100的推理性能均比NVIDIA新推出的A10 GPU高，其它模型的成績高通并未提交。
從每瓦性能來看，高通A100在提交成績的ResNet-50和SSD-Large模型中比A100更高，但性能比A100低。
賽靈思的VCK5000 FPGA在圖像分類ResNet-50的測試中表現不錯。
Jetson系列是唯一提交所有邊緣推理測試成績的芯片
A系列GPU在云端AI推理的性能優勢可以延續至邊緣端。MLPerf的邊緣AI推理Benchmark分為Single-Stream和Multi-Stream，A100 PCIe、A30、A10在Single-Stream的所有模型下都有顯著的性能優勢，高通A100在ResNet-50模型下也優勢明顯，不過高通也僅提交了這一模型的成績。
這些產品用于邊緣AI推理有些大材小用，NVIDIA的Jetson家族的AGX Xavier和Xavier NX更適合邊緣場景，根據提交的數據，Centaur公司在ResNet-50模型中優勢明顯，SSD-Small模型下的性能與Jetson Xavier NX性能相當。
邊緣AI推理的Multi-Stream Benchmark，只有NVIDIA提交了成績，A100 PCIe版本的性能最高是Jetson AGX Xavier和Xavier NX的60倍。
在NVIDIA此次提交的結果中，多項是基于Triton推理服務器，其支持所有主要框架的模型，可在GPU及CPU上運行，還針對批處理、實時和串流傳輸等不同的查詢類型進行了優化，可簡化在應用中部署AI的復雜性。
雷鋒網(公眾號：雷鋒網)了解到，在配置相當的情況下，采用Triton的提交結果所達到的性能接近于最優化GPU能夠達到性能的95%，和最優化CPU99%的性能。
另外，NVIDIA還使用Ampere架構的多實例GPU性能，在單一GPU上使用7個MIG實例，同時運行所有7項MLPerf離線測試，實現了與單一MIG實例獨立運行幾乎完全相同的性能。
小結
MLPerf Benchmark結果的持續更新，可以為在IT基礎設施投資的企業提供一些有價值的參考，也能推動AI的應用和普及。
在這個過程中，軟件對于AI性能的提升非常重要，同樣是A100 GPU，通過有針對性的優化，半年實現了45%的性能提升。
同時也不難發現，NVIDIA正在通過持續的軟硬件優化，以及更豐富的產品組合，保持其在AI領域的領導力，在AI領域想要超越NVIDIA似乎正在變得越來越難。
