艺正花 2934618月12日下午，华为正式发布AI推理“黑科技”UCM（推理记忆数据管理器），助力解决AI推理效率与用户体验的难题。

　　AI推理是AI产业在下一阶段的发展重心。AI产业已从“追求模型能力极限”转向“追求推理体验最优化”，推理体验直接关联用户满意度、商业可行性等核心需求，成为衡量AI模型价值的黄金标尺。

　　据悉，华为计划在9月开源UCM。届时，华为将在魔擎社区首发，后续逐步贡献给业界主流推理引擎社区，并共享给所有Share Everything（共享架构）的存储厂商和生态伙伴。

　　UCM是一款以KV Cache（键值缓存）为中心的推理加速套件，融合多类型缓存加速算法工具，可以分级管理推理过程中产生的KV Cache记忆数据，扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，从而降低每个Token（词元）的推理成本。

　　KV Cache是一种用于优化计算效率、减少重复运算的关键技术，但是需要占用GPU（图形处理器）的显存存储历史KV（键值）向量，生成的文本越长，缓存的数据量越大。

　　随着AI产业的发展迈入代理式人工智能时代，模型规模化扩张、长序列需求激增，以及推理任务并发量增长，导致AI推理的KV Cache容量增长，超出了显存的承载能力。

　　目前，国外领先芯片厂商通过从硬件迭代到软件优化，再到生态绑定，构建起AI推理时代的“铁三角”，短期内难以被代替。中国企业在单点硬件技术上有所突破，但国产软件及生态适配仍有较大差距。

　　随着信息技术应用创新产业的国产化改造提速，各行业逐步意识到需要加速构建国产推理生态。UCM的核心价值在于提供更快的推理响应、更长的推理序列等。

　　以提供更长的推理序列为例，UCM通过动态KV逐层卸载、位置编码扩展等组合技术，将超长序列的Cache（缓存）分层卸载至外置专业存储，利用算法突破模型和资源限制，实现10倍级推理上下文窗口扩展。

　　据悉，UCM可根据记忆热度在HBM、DRAM、SSD等存储介质中实现按需流动，同时融合多种稀疏注意力算法实现存算深度协同，使长序列场景下TPS（每秒处理token数）提升2至22倍，从而降低每个Token的推理成本。

　　Token是AI模型中的基本数据单位。在训练过程中，AI大模型会学习标记Token之间的关系，从而执行推理并生成准确、相关的输出。

　　数据显示，国外主流AI大模型的单用户输出速度已进入200 Tokens/s区间（时延5ms），而我国主流AI大模型的单用户输出速度普遍小于60 Tokens/s（时延50至100ms）。

　　同时，随着AI应用向各类实际场景深度渗透，用户规模和请求量急剧攀升，模型分析和生成的Token数呈现指数级增长态势。

　　巨大的Token处理量意味着高昂的运营成本，包括服务器维护、电力消耗持续攀升等，而保障流畅推理体验需要加大算力投入。

　　最大化的单Token智能承载力和优化成本，成为众多厂商的核心目标，并且Token经济时代来临，训练、推理效率与体验量纲都以Token为表征。

　　目前，华为AI推理加速方案结合UCM与华为AI存储（OceanStor A系列）技术，与中国银联开展智慧金融AI推理加速应用试点，三大落地业务场景分别是客户之声、营销策划、办公助手。

　　以办公助手场景为例，通过应用华为AI推理加速方案，可支持用户输入超过17万Tokens的超长序列推理，避免超长序列模型推不动的问题。

　　《中国基金报》对本平台所刊载的原创内容享有著作权，未经授权禁止转载，否则将追究法律责任。

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　下周资本市场大事提醒：九三阅兵、多家消费电子新品发布、美国8月非农数据

　　41岁歌手杨丞琳发文报平安，称完成不小的手术，先生在身旁陪伴照顾，李荣浩甜蜜回应

　　“近视+散光+老花”一台手术全部解决，眼科精准治疗进入“GPS导航时代”

　　洞察金融市场，传播中国价值——《中国基金报》社官方账号（《中国基金报》社有限公司运营管理）

　　《编码物候》展览开幕 北京时代美术馆以科学艺术解读数字与生物交织的宇宙节律

　　尔英发布瑶光 MoDT M-ATX 主板：搭载 AMD 锐龙 7000HX 处理器