圖片系A(chǔ)I生成

8月12日，華為發(fā)布AI推理創(chuàng)新技術(shù)——UCM推理記憶數(shù)據(jù)管理器，旨在推動AI推理體驗升級，提升推理性價比，加速AI商業(yè)正循環(huán)。同時，華為攜手中國銀聯(lián)率先在金融典型場景開展UCM技術(shù)試點(diǎn)應(yīng)用，并聯(lián)合發(fā)布智慧金融AI推理加速方案應(yīng)用成果。

UCM推理記憶數(shù)據(jù)管理器，包括對接不同引擎與算力的推理引擎插件（Connector）、支持多級KV Cache管理及加速算法的功能庫（Accelerator）、高性能KV Cache存取適配器（Adapter）三大組件，通過推理框架、算力、存儲三層協(xié)同，實現(xiàn)AI推理“更優(yōu)體驗、更低成本”。

AI推理：既不夠快，也不夠便宜

從行業(yè)視角觀察，大模型的重心正在從訓(xùn)練轉(zhuǎn)向推理。相關(guān)行業(yè)數(shù)據(jù)顯示，當(dāng)前推理算力需求已超過訓(xùn)練（58.5%）。GPT-5開放首周20 億次/分鐘，70%的請求為復(fù)雜任務(wù)推理（如代碼生成、多步規(guī)劃）；而國內(nèi)火山引擎的日均token調(diào)用量已達(dá)16.4萬億，其中70%以上來自線上推理而非訓(xùn)練。

與此同時，大模型行業(yè)總會頻繁出現(xiàn)一個現(xiàn)象，一旦出現(xiàn)了一種火熱的新模型，該服務(wù)商的服務(wù)在一段時間會處于不太穩(wěn)定的狀態(tài)，這是因為大量用戶訪問需求之下，服務(wù)商需要通過計算、存儲等優(yōu)化措施，降低它的推理成本，并且降本的同時不能影響用戶體驗。

比如GPT-5發(fā)布就引起不少用戶詬病，通過智能路由降低后臺的算力成本，但是路由規(guī)劃的效果出現(xiàn)了偏差，用戶使用時頻繁出現(xiàn)了“降智”效果，海內(nèi)外用戶吐槽非常多。

此外，由于在基礎(chǔ)設(shè)施投資領(lǐng)域的差距，中國互聯(lián)網(wǎng)在AI基礎(chǔ)設(shè)施上的投資僅是美國的十分之一，疊加如算力卡閹割、算力卡漲價、HBM漲價等一系列因素，中國AI推理發(fā)展難上加難。

中國互聯(lián)網(wǎng)大模型首Token時延普遍慢于海外互聯(lián)網(wǎng)頭部的首Token時延，每秒或者一定時間內(nèi)推理的Token數(shù)也遠(yuǎn)小于海外頭部互聯(lián)網(wǎng)廠商。

國外主流大模型輸出速度為200 tokens/s區(qū)間（時延5ms），而中國普遍小于60 tokens/s（時延50~100ms），最大差距達(dá)到10倍。在上下文窗口上，海外模型普遍支持100萬級Token（如GPT-5、Claude 3.5），而國內(nèi)頭部（Kimi）僅50萬，且在長文本分析中，國內(nèi)模型遺漏關(guān)鍵信息的概率超50%。

行業(yè)通常用增加顯存、內(nèi)存的方式，提升AI推理的效率和性能，但是很多業(yè)界方案只關(guān)注基礎(chǔ)設(shè)施層，即分層流動/開啟管理，在整個算法加速庫上缺少系列場景化加速算法、套件以及開放第三方庫等舉措，即缺少一套“推理框架、算力、存儲三層協(xié)同”的方案。

以存代算，首token延遲降低90%

華為公司副總裁、數(shù)據(jù)存儲產(chǎn)品線總裁周躍峰解釋，以人的思考和大模型作對比，思考能力和記憶能力強(qiáng)相關(guān)，AI推理系統(tǒng)也一樣的。整個AI推理系統(tǒng)當(dāng)中，記憶功能往往有三部分，高性能的緩存（HBM），中間是內(nèi)存（DRAM），這兩部分基本上在智算服務(wù)器當(dāng)中。第三部分是過去沒有得到利用的專業(yè)共享存儲。

UCM主要分為三部分：頂層和業(yè)界流行的推理框架對接，稱為“連接器”，它會連接業(yè)界普遍流行的推理引擎框架，包括華為的MindiE、SGLang等等，與目前推理框架進(jìn)行協(xié)同。

中間部分是加速程序，對于緩存記憶數(shù)據(jù)進(jìn)行分級緩存管理的算法程序，運(yùn)行在智算服務(wù)器當(dāng)中。

另外一部分是和專業(yè)共享存儲相結(jié)合的協(xié)同器，這個協(xié)同器（適配器）可以提升專業(yè)存儲直通的效率和降低時延，可以讓三級存儲協(xié)同起來。

通俗解釋，首先，華為通過UCM，將歷史已處理過的結(jié)果、歷史對話、語料庫、RAG知識庫的數(shù)據(jù)以KV Cache的形式緩存至第三層的高性能外置共享存儲上，遇到已推理過、已緩存過的信息就不需要重新推理了，而是只用從外置存儲中查詢并調(diào)用即可，實現(xiàn)大幅推理加速，將首token延遲降低90%、也節(jié)省了token by token的時間。

在過去，這些數(shù)據(jù)量通常較大、達(dá)到PB級，僅依賴HBM和DRAM這樣幾十GB、最多TB級的小容量是存不下來的，導(dǎo)致推理頻繁出現(xiàn)“失憶”，需要GPU反復(fù)計算、造成卡頓遲緩。而且過去HBM又貴又小、且與GPU卡強(qiáng)綁定，靠堆卡的形式普通企業(yè)根本買不起，只有被迫接受“重復(fù)造輪子”的低效方式。

在此基礎(chǔ)上，大模型能積累越來越多的歷史對話、歷史內(nèi)容，就變相地增加了知識豐富度和廣度，讓需要全新計算的比例越來越少，簡化計算復(fù)雜度，大模型也就越來越快、越來越聰明，如此解決“推得慢”的問題。

其次，當(dāng)推理任務(wù)越來越長、越來越復(fù)雜，長序列推理會讓大模型經(jīng)常出現(xiàn)“只有七秒鐘的記憶”。比如，在分析一篇萬字長文時，由于HBM容量有限，僅緩存到前2000字就裝不下了，這樣就容易出現(xiàn)推理失敗、關(guān)鍵關(guān)聯(lián)信息丟失的情況。

華為UCM通過一系列智能的算法，對長序列內(nèi)容進(jìn)行切片，并把已處理的切片卸載到更大的DRAM或外置共享存儲，這就變相擴(kuò)充了HBM的容量，讓上下文窗口擴(kuò)大10倍、滿足長序列推理需求。

此外，華為采用了注意力稀疏技術(shù)及相關(guān)技術(shù)，可以識別這些大量KV Cache數(shù)據(jù)的重要程度、相關(guān)性和熱度，將重要的/不重要的、相關(guān)的/不相關(guān)的數(shù)據(jù)分層分級地進(jìn)行緩存并流動。在下一次推理過程中，只需要把關(guān)鍵的、合適的向量提取出來即可，這也就降低了向量推理過程中向量的數(shù)量，提升整體吞吐量，如此解決“推不動”的問題。

在無需過多投資的情況下，UCM讓長序列場景下TPS（每秒處理token數(shù)）提升2-22倍，相當(dāng)于降低每Token推理成本，企業(yè)可以繼續(xù)維持算力不變，僅花銷小部分外置存儲的投資、讓緩存原地“升級”，從而改善推理效率、攤薄每token推理成本，解決“推得貴”的問題。

已在中國銀聯(lián)落地，9月將開源

金融行業(yè)是擁抱大模型較為快速的行業(yè)之一，對于新技術(shù)的需求也十分迫切。金融AI規(guī)模化落地的核心瓶頸在于高成本、高延遲、高依賴，金融級應(yīng)用需微秒級響應(yīng)，而卡頓、延遲直接影響風(fēng)控與交易安全，因此AI推理的效果至關(guān)重要。

中國銀聯(lián)智能化創(chuàng)新中心副總經(jīng)理楊燕明表示，通過分析來自客服、工單等數(shù)據(jù)發(fā)現(xiàn)以下痛點(diǎn)：金融產(chǎn)品、金融服務(wù)的種類多、場景復(fù)雜，在問題進(jìn)行分類時相當(dāng)困難；用戶反饋內(nèi)容繁雜的、冗長，導(dǎo)致難以分析原因。

中國銀聯(lián)嘗試使用大模型技術(shù)解決這些問題，通常的解決方案是，將問題進(jìn)行標(biāo)簽化，構(gòu)建起一系列的問題標(biāo)簽，結(jié)合客戶對話內(nèi)容進(jìn)行切片，喂給大語言模型進(jìn)行處理，希望通過大語言模型幫助解決分類問題。

但隨之發(fā)現(xiàn)了新的技術(shù)挑戰(zhàn)，首先它是一個多次推理，推理時間非常長，一通電話或者一個服務(wù)，需要長達(dá)15分鐘的分析時間；第二因為標(biāo)簽數(shù)量太多，分析準(zhǔn)確性非常低，無法應(yīng)用生產(chǎn)。

中國銀聯(lián)聯(lián)合華為開展了推理性能的技術(shù)攻關(guān)，與華為存儲團(tuán)隊、算力先遣隊、業(yè)務(wù)專家一起組合了聯(lián)合創(chuàng)新小組，經(jīng)過一系列嘗試，提出了引入存儲的KV Cache的加速方案，滿足實際的業(yè)務(wù)需求。

采用KV Cache的方案，通使整個運(yùn)算方式從推理運(yùn)算，變?yōu)椴檎疫\(yùn)算和推理運(yùn)算相結(jié)合的方式，避免了大量重復(fù)推理，加速整個推理過程，實際效果標(biāo)簽分類的推理時間從原來的600秒，下降到10秒內(nèi)，提升了50倍以上，標(biāo)簽分類準(zhǔn)確率從不到10%上升到80%，整個效果達(dá)到生產(chǎn)預(yù)期。

華為也公布了UCM開源計劃。UCM通過開放統(tǒng)一的南北向接口，可適配多類型推理引擎框架、算力及存儲系統(tǒng)。今年9月，UCM將正式開源，后續(xù)逐步貢獻(xiàn)給業(yè)界主流推理引擎社區(qū)。

華為相關(guān)專家表示，IT行業(yè)產(chǎn)品先行，標(biāo)準(zhǔn)隨后。華為希望通過UCM這樣一套開源的方式，能夠讓更多的廠商、業(yè)界存儲伙伴加入，能夠在推理加速推動標(biāo)準(zhǔn)落地，這是一個共創(chuàng)標(biāo)準(zhǔn)的過程，共同在開源社區(qū)孵化成熟，真正形成標(biāo)準(zhǔn)，才能真正解決今天看到的推理體驗和推理成本的問題（本文首發(fā)于鈦媒體APP，作者 | 張帥，編輯 | 蓋虹達(dá)）