NVIDIA GPUスペック（機械学習用）

NVIDIAのサーバー用（旧NVIDIA Tesla）

単位はTFLOPS（全て行列積）。メモリ帯域の単位はGB/s。

2019年よりTeslaという名称は消えました。NVIDIA Tesla V100 → NVIDIA V100。

Rubin

Blackwell の後継。2026年にRubin、2027年にRubin Ultraを発表予定。

Blackwell

	GB200	B200	B100	GeForce RTX 5090
FP4	10,000*2	9,000	7,000
FP6 FP8 INT8	5,000*2	4,500	3,500
FP16 BF16	2,500*2	2,250	1,750
TF32	1,250*2	1,125	875
FP32	45*2	40	30
FP64	45*2	40	30
メモリ	192GB*2	192GB	192GB	32GB
メモリ帯域	8TB/s*2	8TB/s	8TB/s	1.42TB/s
発表日	2024年3月	2024年3月	2024年3月	2025年

新たに FP4 と FP6 に対応。疎行列は密行列の倍の性能で動作します。

GB200 は GPU B200 2つと CPU 1つ搭載。

2025年にBlackwell Ultraを発表予定。

GB200の対応クラウド

• EC2
• Google
• Azure
• Oracle Cloud Infrastructure
• Lambda

B200の対応クラウド

• EC2
• Google
• Azure
• Oracle Cloud Infrastructure
• Applied Digital
• CoreWeave
• Crusoe
• IBM Cloud
• Lambda
• さくらのクラウド

B100の対応クラウド

• Lambda

出典

• https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing
• https://www.tomshardware.com/pc-components/gpus/nvidias-next-gen-ai-gpu-revealed-blackwell-b200-gpu-delivers-up-to-20-petaflops-of-compute-and-massive-improvements-over-hopper-h100
• https://www.theregister.com/2024/03/18/nvidia_turns_up_the_ai/

Ada Lovelace

	L40S	L40	L4	GeForce RTX 4090
INT8 FP8	733	362	243	660.6
FP16 BF16	362.05	181.05	121	165.2
TF32	183	90.5	60	82.6
FP32	91.6	90.5	30.3	82.6
メモリ	48GB	48GB	24GB	24GB
メモリ帯域	864GB/s	864GB/s	300GB/s	1008GB/s
発表日	2023年8月	2022年10月	2023年3月	2022年9月

L40Sの対応クラウド

• EC2 g6e
• Oracle Cloud Infrastructure
• Vultr

L4の対応クラウド

• EC2 g6
• Google g2
• ConoHa VPS

廉価なGPUの系列はT4→A10→L4になっています。

出典

• https://images.nvidia.com/content/Solutions/data-center/vgpu-L40-datasheet.pdf
• https://nvdam.widen.net/s/rvq98gbwsw/l4-datasheet-2595652
• https://images.nvidia.com/aem-dam/Solutions/geforce/ada/nvidia-ada-gpu-architecture.pdf
• https://cloud.google.com/blog/products/compute/introducing-g2-vms-with-nvidia-l4-gpus

Hopper

	H200 SXM	H100 SXM	H100 PCIe
INT8 FP8	1,979	1,979	1,513
FP16 BF16	989	989	756
TF32	495	495	378
FP32	67	67	51
FP64	67	67	51
メモリ	141GB	80GB	80GB
メモリ帯域	4.8TB/s	3.35TB/s	2TB/s
発売日	2024年Q2	2022年Q3	2022年Q3

新たに FP8 に対応。E5M2（指数部5ビット、仮数部2ビット）、E4M3（指数部4ビット、仮数部3ビット）に対応。Ampere 同様、疎行列は密行列の倍の性能で動作します。

A100→H100が2年半で3倍の性能向上なので、10年で100倍のムーアの法則は2022年でも健在ですね。

GH200の対応クラウド

• Lambda Labs
• Vultr

H100・H200の対応クラウド（下記、概ねH100とH200の両方に対応予定）

• EC2 p5e (H200), p5 (H100)
• Google A3 Ultra (H200), A3 (H100)
• Azure ND H200 v5, ND H100 v5
• Oracle Cloud
• CoreWeave
• Lambda Labs
• Vultr
• さくらのクラウド
• GMO GPU クラウド、ConoHa VPS
• RUTILEA

Google が1台に16GPU、AWS と Azure ND が1台に8GPU。マシン間の通信回線帯域は AWS と Azure ND が 3.2 Tbps、Google が 0.2 Tbpsで、AWS と Azure ND は低遅延回線。各社ともマシン内の GPU 間通信は NVLink 。

また、Grace CPU と Hopper GPU を一体化した Grace Hopper も発売。CPU と GPU 間の通信速度が900GB/sになり、PCIe Gen5x16 より7倍高速。CPU は ARM Neoverse V2 を72コア。

Ampere

	MHz	INT8	FP16 BF16	TF32	FP32	FP64	メモリ 帯域	発表年
A100	1410	624	312	156	19.5	19.5	1555	2020/5
A40	1740	299.3	149.7	74.8	37.4		696	2020/10
A30	1440	330	165	82	10.3	10.3	933	2021/4
A16	1695	35.9 * 4	17.9 * 4	9 * 4	4.5 * 4		200 * 4	2021/4
A10	1695	250	125	62.5	31.2		600	2021/4
A2	1770	36	18	9	4.5		200	2021/11
GeForce RTX 3090	1695	285	142	71	36	1.1	936	2020/9

TF32という19ビットで表現する浮動小数点数を新設。指数部はFP32やbfloat16と同じ8ビットで、仮数部はFP16と同じ10ビット。https://blogs.nvidia.com/blog/2020/05/14/tensorfloat-32-precision-format/ 。bfloat16もサポート。INT4もINT8の倍の性能で対応。疎行列の高速化にも対応し、密行列の倍の性能で動作します。

Qiita の横幅が狭くなったので、コア数を分離しました。

	CUDA コア数	Tensor コア数
A100	6912	432
A40	10752	336
A30	3584	224
A16	1280 * 4	40 * 4
A10	9216	288
A2	1280	40
GeForce RTX 3090	10496	328

A100の対応クラウド

• EC2 p4d
• Google A2
• Azure NC A100 v4
• Azure ND A100 v4
• Azure NDm A100 v4
• Oracle Cloud Infrastructure
• CoreWeave
• Lambda Labs
• Vultr
• Alibaba gn7
• Alibaba gn7e
• GPUSOROBAN（代理店のWebARENA IndigoGPUやraytrek cloudなど）

クラウドは Google が1台に16GPU、AWS と Azure ND が1台に8GPU。マシン間の通信回線帯域は AWS が 0.4 Tbps、Google が 0.1 Tbps、Azure ND が 1.6 Tbps で、AWS と Azure ND は低遅延回線。各社ともマシン内の GPU 間通信は NVLink 。

A40の対応クラウド

• CoreWeave
• Vultr

A30の対応クラウド

• Alibaba gn7s

A16の対応クラウド

• Vultr

A10の対応クラウド

• EC2 g5
• Azure NVads A10 v5
• Oracle Cloud Infrastructure
• Lambda Labs
• Alibaba gn7i
• Alibaba vgn7i-vws
• Alibaba sgn7i-vws

Turing

	CUDA コア数	Tensor コア数	MHz	INT8	FP16	FP32	メモリ 帯域	発表年
T4	2560	320	1582	130	65	8.1	320	2018/9
GeForce RTX 2080 Ti	4352	544	1350	215	108	11.8	616	2018/8

INT4もINT8の倍の性能で対応。

T4 の対応クラウド

• EC2 g4dn
• Google T4
• Azure NCasT4 v3
• Alibaba gn6i
• Alibaba vgn6i

Volta

	コア数	MHz	INT32	FP16	FP32	FP64	メモリ 帯域	発表年
V100 (NVLink)	5120	1455	14.90	119.19	14.90	7.45	900	2017/5
V100 (PCIe)	5120	1370	14.02	112.23	14.02	7.01	900	2017/7

Tensor Core を搭載し、入力FP16・出力FP32の4行4列の行列積が出来るようになり、かつ、高速化。INT32対応。

V100 (NVLink) の対応クラウド

• EC2 p3
• Google V100
• Azure NCv3
• Azure NDv2
• Oracle Cloud Infrastructure
• CoreWeave
• Lambda Labs
• Alibaba gn6v
• Alibaba gn6e
• さくらのクラウド

Pascal

	コア数	MHz	INT8	FP16	FP32	FP64	メモリ 帯域	発表年
P100 (NVLink)	3584	1480	x	21.205	10.609	5.304	720	2016/4
P100 (PCIe)	3584	1300	x	18.636	9.318	4.659	720	2016/4
P40	3840	1531	47.032	x	11.758	0.367	345.6	2016/9
P4	2560	1063	21.770	x	5.443	0.170	192	2016/9
GeForce GTX 1080 Ti	3584	1582	x	0.177	11.340	0.354	484	2017/3

一部 INT8 対応。

P100 (PCIe) の対応クラウド

• Google P100
• Azure NCv2
• Oracle Cloud Infrastructure
• Alibaba gn5
• さくらのクラウド

P40 の対応クラウド

• Azure ND
• さくらのクラウド

P4 の対応クラウド

• Google P4
• Alibaba gn5i

Maxwell

	コア数	MHz	FP16	FP32	FP64	メモリ 帯域	発表年
M60	2048 * 2	1180	9.667 * 2	4.833 * 2	0.156 * 2	160 * 2	2015/8
M40	3072	1114	13.689	6.844	0.219	288	2015/11
M10	640 * 4	1033	2.644 * 4	1.322 * 4	0.041 * 4	83 * 4	2016/5
M6	1536	1051	6.457	3.229	0.100	147.2	2015/8
M4	1024	1072	4.391	2.195	0.069	88	2015/11
GeForce GTX 980 Ti	2816	1076	x	6.060	0.189	336	2015/6

FP16 対応。

M60 対応クラウド

• EC2 g3
• Azure NV

M40 対応クラウド

• Alibaba gn4

Kepler

	コア数	MHz	FP32	FP64	メモリ帯域	発表年
K80	2496 * 2	875	4.368 * 2	1.456 * 2	240 * 2	2014/11
K40	2880	875	5.040	1.680	288	2013/10
GRID K520	1536 * 2	800	2.458 * 2	0.096 * 2	160 * 2	2013/7
GRID K340	384 * 4	950	0.730 * 4		28.8 * 4	2013/7
K20	2496	706	3.524	1.175	208	2012/11
K10	1536 * 2	745	2.289 * 2	0.763 * 2	160 * 2	2012/5

K80 対応クラウド

• EC2 p2
• Azure NC
• Google K80
• Oracle OCSG

GRID K520 対応クラウド

• EC2 g2

Fermi

	コア数	MHz	FP32	FP64	発表年
M2090	512	1300	1.331	0.665	2011/5
M2070 M2050	448	1150	1.030	0.515	2011/5

M2050 対応クラウド

• EC2 cg1

FP32 : FP64

• Ampere(CUDAコア) = 2 : 1
• Volta = 2 : 1
• Pascal(P100) = 2 : 1
• Pascal(P100以外) = 16 : 1
• Maxwell = 32 : 1
• Kepler = 3 : 1
• Fermi = 2 : 1

NVIDIA Jetson

NVIDIA Jetson は組み込み用です。

Jetson Orin

		コア数	MHz	INT8	FP16 BF16	FP32	メモリ 帯域	電源 (W)
Jetson AGX Orin 64GB	GPU NVDLA	2048+64 2	1300 1600	170 105	85 53	5.3 x	204	15-60
Jetson AGX Orin 32GB	GPU NVDLA	1792+56 2	930 1400	107 93	53 47	3.3 x	204	15-40
Jetson Orin NX 16GB	GPU NVDLA	1024+32 2	918 614	60 40	30 20	1.9 x	102	10-25
Jetson Orin NX 8GB	GPU NVDLA	1024+32 1	765 614	50 20	25 10	1.6 x	102	10-20
Jetson Orin Nano 8GB	GPU	1024+32	625	40	20	1.3	68	7-15
Jetson Orin Nano 4GB	GPU	512+16	625	20	10	0.6	34	7-10

Jetson Orin は Ampere マイクロアーキテクチャ。Jetson AGX Orin 開発者キットは2022年3月販売開始。Jetson Orin Nano 開発者キットは2023年4月販売開始。

Jetson Xavier

		コア数	MHz	INT8	FP16	FP32	メモリ 帯域	発表年
Jetson AGX Xavier	GPU NVDLA	512+64 2	1377 ?	22 10	11 5	1.4 x	137	2018/6
Jetson Xavier NX	GPU NVDLA	384+48 1	1100 ?	12 9	6 5	0.8 x	51	2019/11

Jetson Xavier は Volta マイクロアーキテクチャ。NVDLA は NVIDIA Deep Learning Accelerator の略。

Jetson AGX Xavier は Tesla V100 の 1/10 サイズの GPU。Tensor Core は FP16 に加えて INT8 も対応。NVDLA を搭載。今までは Tegra は Tesla のムーアの法則7年遅れだったが30Wにして6年遅れにターゲット変更。組み込みレベルからノートパソコンレベルへ変更。ただし10Wや15Wモードも搭載。NVIDIA Jetson AGX Xavier Delivers 32 TeraOps for New Era of AI in Robotics | NVIDIA Technical Blog

Jetson Xavier NX は 10W と 15W があり、上記は15W版。NVIDIA Jetson Xavier NX Developer Kit では Raspberry Pi 用のカメラが2つ接続できる。M.2 NVMe SSD が搭載可能。10W の方はファンレスで動きそう（推測）。Introducing Jetson Xavier NX, the World’s Smallest AI Supercomputer | NVIDIA Technical Blog

Pascal

NVIDIA Drive PX 2 AutoCruise には NVIDIA Tegra X2 に加えて 1.25 TFLOPS / 2 GB (GDDR5, 80 GB/s) の外部 GPU も2つ搭載。ノートパソコン向け GeForce 10 シリーズのローエンドレベル。

古い世代

		コア数	MHz	INT8	FP16	FP32	メモリ 帯域	発表年
Jetson TX2	GPU	256	1302	x	1.333	0.666	58.3	2016/8
Jetson TX1	GPU	256	998	x	1.022	0.511	25.6	2015/1
Jetson Nano	GPU	128	921	x	0.472	0.236	25.6	2019/3
Jetson TK1	GPU	192	950	x	x	0.365	14.9	2014/1

Jetson Nano は Jetson TX と同じ Maxwell マイクロアーキテクチャ。NVIDIA はリアルタイム画像認識が出来る最低ラインだとしています。Jetson Nano Brings AI Computing to Everyone | NVIDIA Technical Blog

Jetson TK1 は Kepler マイクロアーキテクチャ。

Intel

Intel Xeon

型番	アーキ テクチャ	コア 数	GHz	INT8	BF16	FP32	メモリ 帯域	年
Xeon Platinum 8490H	Sapphire Rapids	60	2.9	356	178	11.136	307	2023
Xeon Platinum 9282	Cascade Lake	56			x		262	2019
Xeon Platinum 8180	Skylake	28	3.2	23	x	5.734	119	2017
E7-8890 v4	Broadwell	24	3.4	21	x	2.611	85	2016
E7-8890 v3	Haswell	18	3.3	15	x	1.901	85	2015
E7-8890 v2	Ivy Bridge	15	3.4	2	x	0.816	85	2014
E5-2687W	Sandy Bridge	8	3.8	1	x	0.486	51	2012

すいません。クロック周波数は「全てのコアを使用するが AVX を使用しない場合」のクロック周波数で、AVX を使う場合は、もっとクロックが下がるそうです。Xeon Platinum 8180 は 3.2 → 2.3 GHz で、本当は 4.122 TFLOPS。

1コア・1クロックあたりの演算数（BF16）

• AMX-BF16: 第4世代Xeon SP = 1024
• AVX-512 BF16: Cooper Lake = 128

Intel AMX-BF16 は NVIDIA の Tensor Core に対応するものです。AMX-INT8 もあります。INT8は性能2倍。例えば、4コアの3GHzで25TOPS。

出典: https://www.intel.com/content/dam/www/central-libraries/us/en/documents/2022-12/accelerate-ai-with-amx-sb.pdf

1コア・1クロックあたりの演算数（FP32）

• AVX-512: Skylake, Cascade Lake = 64
• AVX2: Haswell, Broadwell = 32
• AVX1: Sandy Bridge, Ivy Bridge = 16

パソコン用CPU

2023年発表の第1世代Core Ultraからディープラーニング用の Neural Processing Unit (NPU) が載りました。Intel AMX-INT8 を載せるのではなく、Movidius が載ります。Movidius 側は Versatile Processing Unit (VPU) と呼んでいたのですが、パソコン用は NPU という呼称になりました。

近年は2021年発表の第12世代インテルCoreから、かつては対応していたAVX-512が非対応になるなど混沌とした状況になっています。第12世代からPコアとEコアに分かれ、EコアでAVX-512対応が難しいという理由からAVX-512非対応になったそうです。内部事情は分かりませんが、なぜ難しい？低速でもEコアで対応させることは難しい？

	INT8 CPU	INT8 GPU	INT8 NPU	発表年
Core Ultra 9 285K デスクトップ	15	8	13	2024/10
Core Ultra 9 288V ノートパソコン	5	67	48	2024/09
Core Ultra 7 165H ノートパソコン	5	18	11	2023/12

Core Ultra シリーズ2のNPUは、モバイル向けは第4世代でNeural Compute Engineが6個。デスクトップ向けは第3世代。この先もインテルはデスクトップ向けはノートパソコンの1年遅れにする計画らしいです。

Core Ultra シリーズ1はNPUとして第3世代Movidius(Keem Bay)を2つ搭載。CPU, GPU, NPU は INT8, BF16, FP16, FP32 対応なのですが、NPU だけ BF16 非対応です。

出典

• IntelのMeteor Lake搭載ノート、dGPUなしでStable Diffusionを高速処理 - PC Watch
• Intel Puts AI, Arc Graphics at the Core of Its New Laptop CPUs - CNET
• 「AI PC」がベールを脱ぐ！　次世代のモバイル向け「Core Ultraプロセッサ」正式発表　搭載ノートPCは順次発売 - ITmedia PC USER
• Intelの次世代ノートPC向けCPU「Lunar Lake」の詳細が明らかに。AI性能と電力あたりの性能をさらに高める
• Lunar Lakeはウェハー1枚からMeteor Lakeの半分しか取れない　インテル CPUロードマップ - 週刊アスキー
• Intel、NPUを搭載したデスクトップPC向けプロセッサ「Core Ultra 200S」を発表 | TECH+（テックプラス）

Intel Data Center GPU

型番	INT8	FP16 BF16	TF32	FP32	FP64	メモリ 帯域	発売日
Intel Data Center GPU Max 1550	1664	832	419	52	52	3277	2023/1
Intel Data Center GPU Max 1100	704	352	176	22	22	1229	2023Q2

出典

• Intel Data Center GPU Max Series Overview

Habana Labs (Intel)

	用途	INT8	FP8	BF16	FP32	発表年
Gaudi 3		x	1835			2024/04
Gaudi 2		x				2022/05
Gaudi HL-2000	学習		x			2019
Goya HL-100	推論	x	x			2018

Gaudi 2 までの TFLOPS の形での性能は非公開。

Gaudi 2 対応クラウド

• Intel Developer Cloud

Gaudi HL-2000 対応クラウド

• EC2 DL1

出典

• Gaudi Architecture — Gaudi Documentation

Intel Nervana

	コア数	flex16+5	発表年
NNP-L1000		120	2019
Lake Crest	12	39	2017

Lake Crest の性能は理論性能の96.4%が38TOPSという事から逆算。 Intel、深層学習を高速化する「Nervana NNP-L1000」を2019年末までに出荷 ～2020年の東京オリンピックのAIプラットフォームパートナーに就任 - PC Watch

2020年2月に Nervana は終了。Habana Labs に注力。

Intel Xeon Phi

	コア数	MHz	FP32	発表年
7295	72	1500	14	2017/12

Intel Movidius

	コア数	MHz	INT8	FP16	発表年
Gen 3 Intel Movidius VPU Keem Bay		500~700	3.0~7.1	x	2021
Myriad X MA2485	16		1	?	2017/8
Myriad 2 MA2450	12	600	0.2?	0.1?	2014/9

Gen 3 Intel Movidius VPU 搭載デバイスは色々ありますが、面白い商品としては Luxonis の Robotics Vision Core 3 があります。以下、出典。

• https://www.arrow.com/ais/intel/wp-content/uploads/sites/6/2021/04/Keem-Bay-One-pager_Draft_NA_External_Feb-26.pdf
• https://docs.luxonis.com/projects/hardware/en/latest/pages/rvc/rvc3/

Intel Neural Compute Stick 2 は Myriad X を搭載。

Myriad 2 MA2450 は、おそらく 128bit / 16bit * 2 * 12コア * 0.6GHz / 1000 = 0.1152 TFLOPS (FP16) だと思われます。性能は曖昧な形で発表しています。上記とは別にHoGやガンマ補正など各種画像処理の専用回路も多数搭載。メモリもLPDDR2ですし、速度的にはRaspberry Piレベルのチップと釣り合うレベル。LPDDR4のIntel AtomだとCPUの方が速くてバランスが悪いです。

MobileEye (Intel)

自動運転用のチップ。Intel の子会社。

情報源

• http://wccftech.com/tesla-autopilot-story-in-depth-technology/5/
• http://www.mobileye.com/wp-content/uploads/2016/11/Mobileye_EyeQ_Infographic6-002.pdf
• 【PR】モービルアイ＆インテル、将来のEyeQ6までのロードマップ公開 - Car Watch

以下、TOPS は INT8。

EyeQ6

	CPU コア数	INT8	BF16?	GPU	発売年
EyeQ Ultra	12	176	4.20	0.256	2025
EyeQ6 High	8	34	1.00	0.064	2024
EyeQ6 Lite	2	5	0.72		2023/Q2

PMA, VMP, MPC, XNN という4種類のアクセラレーターを CPU や GPU とは別に搭載。XNN はニューラルネットワーク用。CPU は EyeQ Ultra は RISC-V で EyeQ6 High と Lite は MIPS64 。プロセスルールは EyeQ Ultra が5nmで、それ以外は7nm。

なお、MobileEye のホームページ内で EyeQ6 Lite という表記と Light という表記が混在していて、どちらが正式名称か不明ですが、おそらく Lite の表記が正解。

EyeQ5

2021年発売予定。プロセスルール7nm。

種別	コア数
CPU	8
Computer Vision Processors	18

• 7 TOPS @ 7.5W
• 12 TOPS @ 17 W
• 24 TOPS @ 34 W

EyeQ4

2018年出荷。下記4種類を1つにまとめた物。プロセスルールは28nm。

種別	コア数	MHz	MAC/コア	TOPS
CPU	4	1000	32?	0.256?
VMP (Vector Microcode Processors)	6	1000	76	0.912
PMA (Programmable Macro Array)	2	750	372	1.116
MPC (Multithreaded Processing Clusters)	2	1000	32	0.128

• 1.1 TOPS @ 4.5W
• 2.2 TOPS @ 6.5 W

EyeQ3

2014年出荷。テスラモーターズ等に採用。TDP 2.5W。プロセスルールは40nm。

コア数	MHz	MAC/コア	TOPS
4	500	64	0.256

EyeQ2

2010年出荷。TDP 2.5W。プロセスルールは90nm。0.026 TOPS。

EyeQ1

2008年出荷。TDP 2.5W。プロセスルールは180nm。4.4 GOPS。

AMD

サーバー

	INT8	FP16	BF16	FP32	FP64	メモリ 帯域	発表年
Instinct MI325X	2614	1307	1307	163.4	163.4	6000	2024/06
Instinct MI300X	2614	1307	1307	163.4	163.4	5300	2023/12
Instinct MI300A	1960	980.6	980.6	122.6	122.6	5300	2023/12
Instinct MI250X	383	383	383	95.7	95.7	3200	2021/11
Instinct MI100	184.6	184.6	92.3	46.1	11.5	1200	2020/11
Instinct MI25		24.6		12.3	0.8	484	2017/06

MI300AはCPUとGPUが一体型。NVIDIAのGrace Hopperに対応する商品。

Instinct MI300X 対応クラウド

• Azure ND MI300X v5

Instinct MI25 対応クラウド

• Azure NVv4

出典

• AMD Instinct™ MI300X Accelerators
• AMD Instinct™ MI300A Accelerators

パソコン（NPU）

	INT8	BF16	発表年
Ryzen AI 9 HX PRO 375	55		2024/10
Ryzen AI 300	50	?	2024/06
Ryzen 8000G Ryzen 8040	16	?	2024/01 2023/12
Ryzen PRO 7040	10	?	2023/06

Ryzen AI 300 は block FP16 に対応しているそうですが、block FP16 がなんであるか AMD の資料を見つけられなかったのですが、https://www.anandtech.com/show/21419/amd-announces-the-ryzen-ai-300-series-for-mobile-zen-5-with-rdna-35-and-xdna2-npu-with-50-tops の感じだと、bfloat16 において指数部は8ビットですが、これを MXFP8 のように、指数部8ビットを複数の浮動小数点数で共有して使うという話のようです。INT8と同じ速度で動くようです。

2023年12月にNPU対応のAMD Ryzen AI Softwareをリリース。ONNX Runtimeとして動作。

Ryzen PRO 7040 は AI アクセラレーターを搭載。Intel よりも先に AI アクセラレーターを載せました。

出典

• https://www.amd.com/en/newsroom/press-releases/2024-6-2-amd-extends-ai-and-high-performance-leadership-in-.html
• AMD、55TOPSのNPUを採用した企業向け「Ryzen AI PRO 300」 - PC Watch

組み込み

	INT4	MXFP6	INT8	BF16	発表年
Versal AI Edge Gen2	x	61～370	31～185	15～92	2024/04
Versal AI Edge Gen1	13～431	x	7～228	?	2023/09

Versal AI Edge Gen2 の対応データ型は INT8, INT16, FP8, FP16, BF16, MXFP6, MXFP9 。疎行列にも倍の性能で対応。MXFP6, MXFP9 とは32個で8ビットのスケールを共有する浮動小数点数。https://arxiv.org/abs/2310.10537 に説明があります。

出典

• https://www.amd.com/en/products/adaptive-socs-and-fpgas/versal/gen2/ai-edge-series.html
• https://www.amd.com/ja/products/adaptive-socs-and-fpgas/versal/ai-edge-series.html

Google

Tensor Processing Unit

	MAC数	MHz	INT8	BF16	メモリ帯域	開発年	クラウド
v6						2024
v5p			918	459	2765	2023	Google TPU v5p
v5e			393	197	820	2023	Google TPU v5e
v4			x	275	1228	2020	Google TPU v4
v3			x	123	900	2018	Google TPU v3
v2	32768	700	x	45	600	2017	Google TPU v2
v1	65536	700	92	x		2015

v2は1つのTPU Chipに2コア。1コアにつき128 * 128 = 16384個の積和算回路。TPU Chipに2 * 8 = 16GBのメモリ。上記はTPU Chipの情報。1つのTPUボードに4つのTPU Chip搭載。メモリは合計4 * 16GB/TPUボード。TPU Podは64TPUボード。コア→TPU Chip→TPUボード→TPU Podという階層構造。単にTPUと呼んだ場合は1枚のTPUボードの事をさす。bfloat16を採用。符号部1ビット、指数部8ビット、仮数部7ビット。仮数部以外はfp32と同じ。

v1も発表は2017年。

出典

• Introducing Cloud TPU v5p and AI Hypercomputer | Google Cloud Blog

Edge TPU

	MAC数	MHz	INT8	開発年
Edge TPU	4096	480	4	2018

何種類かシングルボードコンピュータあり。https://coral.ai/products/

Amazon

サーバー

	用途	INT8	FP16 BF16	FP32	年	クラウド
AWS Trainium2	学習				2023	EC2 trn2
AWS Inferentia2	推論	380	190	47.5	2022	EC2 inf2
AWS Trainium	学習	420	210	52.5	2022	EC2 trn1
AWS Inferentia	推論	128	64	x	2019	EC2 inf1
Amazon Elastic Inference	推論	x	8	1	2018	EC2 eia1, eia2

Inferentia2 および Trainium は共に NeuronCore-v2 を2コア使用。1台のマシンに Inferentia2 は12枚、Trainium は16枚搭載。Inferentia2 は NeuronLink-v1 でつながっているのに対して、Trainium はより高速な NeuronLink-v2 で16枚を接続。取り扱えるデータ型は cFP8, FP16, BF16, TF32, FP32, INT8, INT16, INT32 。

• ScalarEngine が 1,600 FLOP/cycle per core
• VectorEngine が 2,500 FLOP/cycle per core
• TensorEngine が 100 TFLOPS/core (BF16)

AWS Inferentia と Amazon Elastic Inference はディープラーニングの推論用であり、学習は GPU を使ってください、という方針。学習はバッチ処理により複数のデータをまとめて処理するが、推論は1つのデータしか扱わないため、処理の向き不向きが異なるため、推論用に作られたチップ。

出典

• Inferentia2 Architecture — AWS Neuron Documentation
• AWS Trn1/Trn1n Architecture — AWS Neuron Documentation
• AWS Inf1 Architecture — AWS Neuron Documentation

組み込み

	INT8	発表年
AZ2	数	2021/9
AZ1	0.1程度	2020/9

性能の詳細は非公開です。AZ2はAZ1の22倍TOPSが多い、AZ2は数TOPSとだけ公開されています。Amazon Echoシリーズなどに使用されています。

出典

• アマゾンが新しいAlexa搭載機、AI性能22倍の独自半導体を搭載 - 製品＆サービス：日経クロステック Active

Microsoft

	発表年
Azure Maia 100	2023/11

Apple

Apple Neural Engine

	FP16	発表年
M4	38	2024/5
A18 Pro A18 A17 Pro	35	2024/9 2024/9 2023/9
M3	18	2023/10
A16 Bionic	17	2022/9
M2 A15 Bionic	15.8	2022/6 2021/9
M1 A14 Bionic	11	2020/11 2020/9
A13 Bionic	6	2019/9
A12 Bionic	5	2018/9
A11 Bionic	0.6	2017/9

出典

• https://machinelearning.apple.com/research/neural-engine-transformers
• https://apple.github.io/coremltools/docs-guides/source/typed-execution.html

Apple 内蔵GPU (ARM)

	FP16	FP32	FP64	発表年
M2	7.10	3.55	0.89	2022/6
M1 Max 32コア	20.8	10.4		2021/10
M1	5.22	2.61	0.65	2020/11

ARM

ARMv8.6-A および ARMv9.1-A より bfloat16 および行列積の命令が追加になります。さらに、ARMv9.2-A より、ARM Scalable Matrix Extension (SME) が追加になります。Intel Advanced Matrix Extensions (AMX) に対応するものです。ARMv9.4-A より SME2 が追加。

出典

• https://developer.arm.com/Architectures/A-Profile%20Architecture
• https://community.arm.com/arm-community-blogs/b/architectures-and-processors-blog/posts/scalable-matrix-extension-armv9-a-architecture

	INT8	発表年
Ethos-N78	1～10	2020/5
Ethos-N77	4	2019/5

Ethos は Arm Compute Library を経由して利用可能です（当然、その上に上位ライブラリを経由して利用する前提です）。

Qualcomm Snapdragon

	INT8	発表年
Snapdragon X Elite	45(NPU) 30(CPU+GPU)	2023/10
Hexagon 780	26	2020/12
Hexagon 698	15	2019/12
Hexagon 690	7	2018/12
Hexagon 685	3	2017/12

Snapdragon X Elite はパソコン用。第1世代Core Ultra 7との比較動画が https://www.youtube.com/watch?v=47WRzE8c7e8 にあります。

（2018年頃の話）Google Pixel 4 は Snapdragon 855 (Hexagon 690) ですが、実測のベンチマーク結果が https://www.tensorflow.org/lite/performance/measurement#android_performance_benchmarks にあります。ベンチマーク結果を見て思ったのですが、専用回路を止めて GPU で INT8 を扱った方が良いのではないでしょうか？

（2014～2016年の話）ハイエンドの GPU は NVIDIA Tegra とほぼ同じ性能です。Snapdragon には Hexagon DSP が搭載されていて、8/16/32bitの固定小数点が扱えます。GPU の半分の性能で設計されていますが、8bitが扱えることが特徴です。

出典

• https://www.qualcomm.com/news/releases/2023/10/qualcomm-unleashes-snapdragon-x-elite--the-ai-super-charged-plat

Huawei

Ascend

	INT8	FP16	発表年
Ascend 910B	640	320	2023/11
Ascend 910	512	256	2019/08
Ascend 310	16	8	2019/08

Kirin NPU

	NPU数	FP16	発表年
Kirin 990 5G	2	5? * 2	2019/9
Kirin 980	2	2.1? * 2	2018/9
Kirin 970	1	1.92	2017/9

Kirin 990 5G は 980 から2.5倍の高速化だそうですが詳細不明。INT8 も対応。

Kirin 980 の NPU の詳細は非公開ですが、NPU が1つから2つに増え、合計して2.2倍高速になったと書いてあったので、そこから逆算して10%高速になったと推測しました。

Kirin 970 の NPU は3行3列の行列積。HiKey 970 などのファンレスシングルボードコンピュータあり。TensorFlow や Caffe が利用可能。

PowerVR

	INT8	発表年
AX2185	4.1	2018/6
AX2145	1.0	2018/6

AX2185, AX2145 は Android Neural Networks API 経由で利用可能。

Rockchip

	INT8	発表年
RK3588	6	2021/7
RK3566 RK3568	0.8	2020/12
RK1808	3	2018/11
RK3399Pro	2.4	2018/1

RK3588 は INT4, INT8, INT16, FP16, BF16, TF32 に対応。

Amlogic

	INT8
A311D	5
C305X	2
C308X	4
S905D3	1.2
S928X	3.2
T982	2.6
V901D	1

全てを網羅できないほどたくさんあります。

Axera

	INT4	INT8	発表年
AX650N	72.0	18.0	2023/03
AX650A	43.2	10.8

無数に商品あり。

出典

• https://axera-tech.com/Product/125.html

Hailo

	INT8	電力	発表年
Hailo-10H	40	典型的3.5W	2024/4
Hailo-15H	20		2023/3
Hailo-15M	11		2023/3
Hailo-15L	7		2023/3
Hailo-8	26	最大8.25W	2019/5
Hailo-8L Hailo-8R	13	典型的1.5W	2023/8

Hailo-15 シリーズは CPU として Arm Cortex-A53 4コア を内蔵（Raspberry Pi 3相当）。

Hailo-8 の 8.25W はヒートシンクだけで動くギリギリに設定されていますが、ケースファンもしくは金属ケースで NPU とケースを金属で結合させる必要があります。

Hailo-8, Hailo-8L は Raspberry Pi AI HAT+ としても発売されています。AI HAT+ はヒートシンク無しです。

ルネサス

	INT8	FP16	電力	発売年
RZ/V2xx	15	x		2024予定
RZ/V2H	8 (80@枝刈り)	x	8W	2024/2
RZ/V2MA RZ/V2M	x	0.7	1W	2022/9 2020/6
RZ/V2L	x	0.5	1W	2021/5

RZ/V2H はモデルの枝刈り（スパース化）することで10倍性能を上げることが出来るそうです。

出典：

• RZ/V Embedded AI MPU | Renesas
• ルネサスがエッジAIでNVIDIAへの対抗心むき出し、電力効率10倍だけじゃない | 日経クロステック（xTECH）
• TinyML Comes to Embedded World 2023 - EE Times
• ルネサス、ファンレスで80TOPSのAI推論を実現したDRP-AI搭載MPU「RZ/V2H」を発売 | TECH+（テックプラス）

デンソー

	INT8	電力	年
ML041	5.08	0.42W	2022

NSITEXEが開発していたのですが、NSITEXEは2023年3月が63億円の債務超過で、デンソーに吸収され消滅しました。

• NSITEXE・デンソーテン エッジAI向けソリューションを共同開発 | 株式会社エヌエスアイテクス （NSITEXE,Inc.）

Preferred Networks

型番	TF16	FP16	FP32	FP64	稼働開始年
MN-Core L1000					2026
MN-Core 2	393		49	12	2024
MN-Core 1		131 * 4	32.75 * 4	8.19 * 4	2020

MN-Core 1 には1つのパッケージには4つのダイがあり、パッケージの性能で発表しているのですが、上記は4で割ったダイの性能です。2020年稼働で当初は社内利用専用、2023年よりPFNのパートナー企業向けにも提供。

出典

• MN-Core Series - Preferred Networks
• PFN、深層学習を高速化するプロセッサーMN-Core 2の開発および、MN-Coreシリーズのクラウドサービス構想を発表 - 株式会社Preferred Networks

自動車メーカーのTesla

型番	INT8	FP16	FP32	年
Dojo D1		362	22.6	2021/8
?	36	0.6	?	2019

Dojo D1 はサーバー用。

2019年のは車載用で、NNプロセッサ+GPU+CPUの組合せ。NNプロセッサがINT8、GPUが浮動小数を扱える。

Meta

	INT8	FP16	年
MITA v1	102.4	51.2	2020

理由は良く分からないのですが、なぜか2020年に設計した MITA v1 を2023年に発表。試作品？組み込み向けの Jetson Orin NX 16GB 相当。

出典：MTIA v1: Meta’s first-generation AI inference accelerator

Cerebras

型番	INT8? FP8?	発表年
WSE-3	125,000	2024/03
WSE-2		2021
WSE-1		2019

WSE-3 はチップサイズが 46,225 mm² という、NVIDIA H100 の57倍という巨大チップ。値段は1億円くらいでしょうか？性能もNVIDIA H100の63倍です。SRAMも44GBと大量に載せています。

出典：https://www.cerebras.net/product-chip/

Graphcore

型番	MHz	FP16	FP32	発表年	クラウド
Colossus MK2 GC200	1325	250	62.5	2020/7	Azure NDv3

GPUではなくIPUと呼んでいます。MK2は1IPUに1472タイルあり、1タイルに624KBのSRAMを搭載。それぞれのタイルが異なる計算を並列に実行可能。よって、小さなバッチサイズでも動作するそうです。Azureでは1台に16IPU。

Xilinx Virtex

型番	DSP	INT8	クラウド
UltraScale+ VU9P	6840	21.3	EC2 f1 Alibaba f3

情報源 https://www.xilinx.com/support/documentation/selection-guides/ultrascale-plus-fpga-product-selection-guide.pdf

クラウドのコスト比較

会社	種別	マシン名	CPU コア数	BF16	FP32	価格	コスパ BF16	コスパ FP32
Amazon	CPU	c7i.48xlarge	96	294	18.4	2.6839	109.5	6.85
Amazon	GPU	g5.xlarge	2	125	31.2	0.3383	369.4	92.22
Amazon	GPU	p4d.24xlarge	48	2496	156	9.5333	261.8	16.36
Amazon		inf2.xlarge	2	190	47.5	0.1972	963.4	240.87
Amazon		trn1.2xlarge	4	210	52.5	0.3461	606.7	151.69
Google	CPU	c3-highcpu -176	88	270	16.8	1.43	188.8	11.74
Google	GPU	g2-standard -4	2	121	30.3	0.24	504.1	126.25
Google	GPU	a2-highgpu -1g	6	312	19.5	1.4693	212.3	13.27
Google	TPU	TPU v5e		197	x	0.6000	328.3	x
Azure	CPU	F72s v2	36	x	6.9	0.46	x	15.00
Azure	GPU	NC24ads A100 v4	12	312	19.5	0.67	465.6	29.10

全てスポットインスタンスです。価格は2024年9月22日の米国インスタンスの価格。価格の単位はドル／時。コスパの単位は TFLOPS・時／ドル 。CPU のクロックは全て 3.0 GHz (ブースト) として計算（やや不正確です）。

$10/h ルール

クラウドで金銭的に暴走しない自主規制ルールとして$10/h（1500円/時）というルールがあります。月720時間使っても108万円です。個人の裁量としてここまでは自由に使って良いという会社さんもあるようです。

Google Cloud の $10/h ルールの場合の上限（スポット）

種別	個数
n2-highcpu	1240 vCPU (620コア)
c3-highcpu	580 vCPU (290コア)
NVIDIA L4	44 GPU
NVIDIA A100	6 GPU
TPU v4	16 TPU

マシンの台数は数百台を限度にしないと面倒なことになるので、CPUの場合は n2-highcpu-8 を155台が上限になります。クラウドの傾向として、多くのマシンは負荷を限界まで使っていないため、どうも、1つ1つのvCPUを少なめにして、多くのマシンにばらけさせた方が、発熱の制限が余っていたり、L3キャッシュやメモリ帯域は共有なので、1つ1つの処理速度を上げられて高速に動作します。あとは台数の数の制限で、現在は、n2-highcpu-8 がちょうどだと思います。（もちろん計算する内容次第で highmem だったり色々です）

Google Cloud のリソースの割り当てを増やすのにかかる日数

昔は違ったのですが、2021年12月現在は、Google の窓口で聞いたところ、

1. 請求先アカウント別のリソース quota （利用者からは見られない）
2. プロジェクト別のリソース quota （利用者から見られる）

の2つがあるそうです。https://cloud.google.com/compute/quotas には執筆時現在はプロジェクト別のリソース quota の方しか記載がありません。プロジェクト別 ≦ 請求先アカウント別 の制限があるそうです。プロジェクト別のリソース quota の方は48時間以内に対応するとなっているのですが、$10/h 程度の規模感の場合、請求先アカウント別のリソース quota の引き上げも必要です。

その際は、

1. https://console.cloud.google.com/iam-admin/quotas から申請する
2. アメリカ本社から日本のセールスに再度申請して欲しいと言われる
3. セールスの窓口に申請すると、担当者を割り振るというメールをいただく
4. 担当者が割り振られ、リソースの割り当てが完了する

という手順をたどります。1ステップ1週間程度かかり、合計1か月程度かかりました。最悪3か月程度はかかることを見越して早めに申請されることをお勧めします。

分散化の方法

1つだけスポットではない落ちないサーバー（親ノード）を立て、ここに NFS サーバーも立てます。Google Cloud の場合、インスタンステンプレートを作り、そこからインスタンスグループを立ち上げるとインスタンス（子ノード）を一気に立ち上げられます。インスタンステンプレートのメタデータで startup-script と shutdown-script で起動時と終了時に実行するスクリプトを指定できます。

処理の流れはこうなります。

1. 落ちない親ノードにキューとそのサーバーソケットを開いて、子ノードを待ちます。通信がボトルネックにならない粒度で問題を細かく分割してキューに詰めます。
2. インスタンスグループで子ノードを立ち上げます。
3. 子ノードは startup-script で rsync して親ノードからソースコードをダウンロードし、プログラムを開始します。
4. 子ノードは親ノードのサーバーソケットから、（分割された問題に不変な）計算全体に必要なデータをダウンロードします。Cloud Storage や S3 からダウンロードしても良いです。マシンイメージに大量のデータを入れるのは起動が遅くなるので止めた方が良いです。
5. 子ノードは親ノードのキューから1つ取りだし、問題を解き、計算結果を親ノードにソケットで返したり、親ノードの NFS にファイルとして返します。
6. スポットインスタンスが強制終了する際に shutdown-script が走るので、親ノードに離脱する旨をソケットで返します。計算が完了しなかった旨を親ノードに通知して、キューに詰め直し、別の子ノードに振り分けます。
   なお Google Cloud のドキュメントによると「まれに」、ちゃんと計測はしていませんが5%位の確率で shutdown-script が実行されずにインスタンスが突然終了します。なので、インスタンスが生きているかどうか定期的にポーリングして死活監視する必要があります。Java ならば InetAddress.isReachable() で死活監視できます。

普通の LAN ではなく NVLink や高速な通信回線を使用する場合は、当然、方法は変わります。

（親ノードではなく）子ノードから計算したい内容をキューに詰めて、子ノードで計算結果を受け取るのは、子ノードのインスタンスが強制終了させられる状況では、継続渡しスタイルが必要になると思うのですが、多くのケースで厄介だと思います。

Java の場合の Tips

Java の場合は、ラムダ式をシリアライゼーションして送信してしまうと便利ですが、問題点はラムダ式から親スコープの変数にアクセスしている場合、それらを含んでシリアライゼーションするのですが、一体、何を送信するのかが分かりにくいです。自明な場合以外は XStream の toXML() を使って XML にしてシリアライゼーション内容を確認すると便利でした。Java の static フィールドや Scala の object のフィールドはラムダ式からアクセスしてもシリアライゼーション対象外なので、大規模データは static フィールドなどに置くと便利です。

更に、Scala の場合は、def distributedMap[A, B](childrenCount: Int, machineType: String, nvcpu: Int)(tasks: Seq[A])(fn: A => B): Seq[B] こんな感じの分散化マップを自作すると良いです。distributedMap 内からクラウドのインスタンスグループを作成してしまいます（distributedMap が2回目に呼ばれる際は共有して利用）。タスク非依存のデータはサイズが小さい場合（1KB以下など）はラムダ式 fn の親スコープの変数に置き、fn をシリアライゼーションする際に自動的についてくるので、fn を送信する際にまとめて送ってしまいます。distributedMap を実行する度に fn を送信するので、サイズが大きいデータは object のフィールドに置きます。

Scala の並列コレクションと共存させるには、並列コレクションは「CPUを使用しない長時間処理は blocking {} で包むこと」というルールがあるので、distributedMap の中の子ノードからの計算結果待ちの所を blocking で包めば、並列コレクションの .par.map() の所を distributedMap() に置き換えることが出来ます。多重ループを綺麗に並列化かつ分散化処理として記述することが出来ます。

ムーアの法則

5年で10倍速くなるムーアの法則は健在。（モバイルの通信速度も5年で10倍速くなっています）