每經(jīng)編輯｜張錦河    

8月12日，華為正式發(fā)布AI推理創(chuàng)新技術(shù)UCM（推理記憶數(shù)據(jù)管理器）。據(jù)了解，作為一款以KV Cache為中心的推理加速套件，UCM融合了多類型緩存加速算法工具，分級管理推理過程中產(chǎn)生的KV Cache記憶數(shù)據(jù)，可擴(kuò)大推理上下文窗口，實現(xiàn)高吞吐、低時延的推理體驗，降低每Token推理成本。該技術(shù)已率先在中國銀聯(lián)“客戶之聲”“營銷策劃”“辦公助手”三大業(yè)務(wù)場景中，開展智慧金融AI推理加速應(yīng)用試點，并已取得成果。

華為計劃于2025年9月正式開源UCM，屆時將在魔擎社區(qū)首發(fā)，后續(xù)逐步貢獻(xiàn)給業(yè)界主流推理引擎社區(qū)，并共享給業(yè)內(nèi)所有Share Everything(共享架構(gòu))存儲廠商和生態(tài)伙伴。

圖片來源：每日經(jīng)濟(jì)新聞 資料圖

據(jù)悉，UCM可根據(jù)記憶熱度在HBM、DRAM、SSD等存儲介質(zhì)中實現(xiàn)按需流動，同時融合多種稀疏注意力算法實現(xiàn)存算深度協(xié)同，使長序列場景下TPS（每秒處理token數(shù)）提升2至22倍，從而降低每個Token的推理成本。

Token是AI模型中的基本數(shù)據(jù)單位。在訓(xùn)練過程中，AI大模型會學(xué)習(xí)標(biāo)記Token之間的關(guān)系，從而執(zhí)行推理并生成準(zhǔn)確、相關(guān)的輸出。

數(shù)據(jù)顯示，國外主流AI大模型的單用戶輸出速度已進(jìn)入200 Tokens/s區(qū)間（時延5ms），而我國主流AI大模型的單用戶輸出速度普遍小于60 Tokens/s（時延50至100ms）。

每日經(jīng)濟(jì)新聞綜合自公開信息