我们真的需要GPU/NPU来运行本地AI吗？

在本地机器上运行AI（LLM推理）正变得越来越流行，尤其是在使用更新、更强大的7到700亿参数的模型时。本地LLM有助于解决一些隐私/GDPR（欧盟的GDPR法规）问题，并更好地控制实验成本。然而，人们普遍认为，本地LLM需要GPU来加速，或使用NPU来降低能耗——因为仅靠CPU确实太慢了，但最先进的AI软件是否真的必须使用GPU呢？

在我们讨论这个问题之前，我们需要讲一些基本的前提知识。

LLM推理过程包括两个部分——首先分析提示（简称PP），然后逐字生成LLM响应（简称TG）。

LLM 推理的提示可能很长，可能包含多个部分——例如系统提示和用户提示，或者在检索增强生成（RAG）的情况下，这是本地 AI 的一个主要用例，因为你不希望将专有知识放到线上。提示可能由一系列知识片段组成，这些片段被系统提示和用户查询所包围。

LLM-Inference 是为每个新的输入令牌进行大量的复杂数学运算计算。每次计算都会考虑到到目前为止的所有输入令牌（其中包括所有先前的输出令牌作为下一个输入令牌的依据）以及模型的所有参数（数十亿个）。比如大规模的矩阵乘法。

这就意味着，对于每一次计算运行，模型需要将它所有的数十亿个参数加载到处理单元（如CPU或GPU/NPU）中。现代芯片通常具有片上缓存来加速这一过程，但由于缓存容量通常只有兆字节而不是千兆字节，它们无法缓存数十亿个参数——因此除了快速处理外，我们还需要配备非常快速的内存。

所以，在现代计算机上进行令牌生成（拥有足够的计算速度），内存带宽是主要瓶颈。NVIDIA GPU 不仅处理速度快，而且其内存带宽非常高（例如，RTX 4090 拥有 24GB 内存和约 1TB/s 的带宽）。苹果硅通过使用更宽的内存来解决这个问题——M1、M2 及后续型号拥有 128 位和 100–120GB/s 的带宽（新的 Copilot+ PC 类似），M1 Ultra 和 M2 Ultra 将其翻倍至 256 位和 200–273GB/s，M1 Max 和 M2 Max 再次翻倍至 512 位和 400–546GB/s，而 M1 Ultra 和 M2 Ultra 再次将其翻倍至 1024 位和 800GB/s（速度几乎与 NVIDIA RTX 4090 相当）。

你需要将所有大语言模型的参数和一些额外开销放入“硬件”的内存中（对于专用GPU是VRAM，而对于集成的GPU、CPU或NPU则是统一内存）。苹果芯片的一大优势在于，其较大的内存（最多可达128GB/192GB）相比NVIDIA的更便宜。

在处理提示时（以及大型语言模型的训练和微调），计算可以分批次进行。这减少了内存读取传输的需求，计算速度就会成为主要瓶颈。此时，例如NVIDIA和AMD的GPU，以及苹果M2 Max/Ultra同样表现出色，但如果提示相对简短，这个问题就不那么明显。

TLDR: 在生成每个响应标记时，大语言模型（LLM）需要加载所有参数（通常以GBytes为单位）到处理单元中。一个较快的处理器（如GPU/NPU，或者具有向量指令的现代CPU）比其内存（RAM）还要快，所有参数都存储在内存中。因此，内存带宽通常是生成标记的限制或瓶颈。但对于处理较长的提示（例如使用RAG）或训练/微调模型来说，计算能力（如GPU速度）仍然至关重要。

更大的模型总是更好，不是吗？嗯，这得看情况！我们发现，在推理过程中内存带宽至关重要，你需要把这些参数都塞进快速内存里，但是快速内存的容量有限且价格昂贵。

量化是一种关键的创新，通过减少计算中的精度来降低内存大小的需求，因此需要为参数存储较少的数字。通过量化，你可以在更少的内存中存储更大的模型。尽管量化计算有时会稍微增加一些负担，但在给定参数数量的情况下，令牌生成速度会更快——因为你需要向处理器推送较少的字节。但你会损失一些精度——例如，将16位（FP16）量化到4位（Q4_0）可以减少大小72%，提高TG速度160%，但仅降低了约5%的准确性（例如，在Wiki2困惑度下，使用LLaMa-2模型（llama.cpp，M2 Ultra）测试：更多信息见此讨论[1]）。

[1] https://github.com/ggerganov/llama.cpp/discussions/2094

Llama.cpp 提供了一个关于不同量化和苹果芯片硬件处理速度的对比（注意：PP 关联 GPU 性能，TG 关联内存带宽）。

量化精度还可以通过微调量化算法（例如使用名为iQant的方法）进一步提高——通过这种方法，您可以更精细地调整精度，从而更准确地存储关键数据。这样您不仅有Q4_0（原始的Q4），还有Q4_K_S、Q4_K_M等多种选择。

还有一个新的超快1.58Bit（1.58Bit）/三值（-1/0/+1作为值）/BitNet（BitNet）量化方法。这需要对模型进行特殊的微调过程。我还没有试过这些模型的准确性和困惑度。

依我来看，llama.cpp github-repository 在支持最新量化技术和CPU/GPU加速方法方面处于前沿技术。

摘要: 大规模语言模型的量化减小了模型的大小，提升了运行速度，仅稍微影响了一点质量。目前被认为最佳的量化是 Q5 或 Q4。通过这些方式，您可以选择高参数模型的好处，将其适应到您的 RAM 内存中，而不会牺牲太多性能质量。

一个LLM会话可能由多个提示和响应组成，这些信息共同构成了LLM交互的上下文——例如，用于澄清或增强初始问题。会话中的所有标记都需要适应特定于模型和AI软件的上下文限制。如果会话超出上下文限制，之前的信息就会被遗忘。从技术角度看，模型会缓存会话中每个提示或响应的处理结果（包括所谓的KV缓存）。随着上下文大小的增加，这会消耗大量内存，且需要快速内存，因为处理每个新标记时都需要使用先前的完整缓存。

TDLR: 小心长上下文需要大量的高速内存——例如，128k 上下文的 LLaMa-65B 需要大约 17GB 的 KV 缓存。

NPU（或苹果公司的ANE）是计算机中的专用部件，用于运行AI——主要通过其特殊硬件来减少能耗。尽管数据中心也有NPU，但我在这里主要讨论的是笔记本电脑、平板电脑和智能手机中的NPU，它们可以像能耗较大的GPU一样提供节能加速。理论上，它们听起来非常有趣，然而，它们的主要缺点是需要特殊的编程。

在GPU编程方面，有NVIDIA的CUDA、Apple的Metal，或者像Vulkan这样的供应商中立的API。尽管它们仍然相当复杂，但这些工具已经存在了很多年，并且也可以扩展。

不过，每个NPU供应商都有专有的API，这些API通常功能有限、没有详细说明且难以扩展。这也是为什么它们通常仅被特定供应商的AI软件（如Windows、iOS/macOS）使用。常用的AI软件（ollama、llama.cpp、LM-Studio等）使用CPU或GPU。即使是苹果自家友好的开源MLX AI框架也只能在苹果的GPU上运行，而不能在ANE上运行。依然分散多变的NPU市场也是造成这种情况的原因。

简而言之: 虽然微软和苹果大力推广他们的Copilot+ NPUs / ANE，但实际上这些产品并不能真正用来运行你自己的本地LLM。

现代的CPU核心可以一次执行多个加法/乘法/等运算。对于基于arm的CPU，如苹果的硅芯，这些运算由NEON单元处理，Snapdragon X/8 Plus/Elite这些也支持同样的指令。此外，最新的Intel/AMD芯片同样提供了类似的功能。

有时候你的GPU不被某些AI软件支持——比如ollama或LM Studio在Snapdragon X平台上。因此你可能需要切换到CPU运行。

此外，容器（如 Docker、Podman 等软件提供）和虚拟机（如 VMware、Parallels、Hyper-V、Proxmox、QEMU 等软件提供）在隔离应用程序以增强安全隔离并减少安装开销方面非常出色。它们非常适合用来运行和试验最新的 AI 软件，而无需立即让计算机暴露于不必要的恶意软件感染风险中。但是，容器和虚拟机的问题在于，它们不支持集成 GPU/NPU 的硬件虚拟化——例如在 Mac 机或大多数配备集成 GPU/NPU 的 PC 上。

许多现代AI软件，例如ollama、LM-Studio……都是基于llama.cpp作为后端技术。在我看来，llama.cpp团队在提供广泛的GPU和CPU优化代码方面处于前沿，尤其在量化后的模型上表现出色。请注意：llama.cpp几乎总是有更好的CPU优化效果。这些版本几乎每天都在变化，提供了不同的运行速度。需要注意的是——速度有时会暂时下降，有时旧版本会更快。

最近，微软/T-MAC团队在github（也在将其整合到llama.cpp中）展示了，通过他们最新的算法和低比特量化（Q2-Q4），CPU可以比GPU/NPU更快（不过我认为，也是在相同的带宽下）。作为软件人，我的个人看法是：我喜欢专用且快速的硬件，但如果你将硬件专业化得太过了，有时可能赶不上软件创新的步伐。这是其中一个例子，即“CPU比集成的GPU/NPU还要快”。

在CPU上运行同样也更省电，比在GPU上运行。

TLDR: 对于使用集成显卡的PC，你很可能会不得不在CPU上运行AI。同样地，如果你在Mac的容器/虚拟机中运行AI，。llama.cpp 团队（其代码被ollama，LM-studio 等项目使用）正在努力提高这种配置下的性能。

如果你能容忍2到4位LLM量化精度，可以使用基于llama.cpp的AI（如ollama、LM-Studio…），并且你有快速的RAM，你就可以很容易地仅用CPU运行你的AI。在这样的情况下，对于拥有足够计算能力的PC来说，这可能比在它的GPU/NPU上运行还要快。

如果你有一台带有M1芯片的Mac，需要运行容器或虚拟机，你也必须只用CPU来运行。

附注：对于苹果硅芯片（Apple Silicon），你可以用 Podman 容器运行 AI 应用，这些容器带有其实验性的基于 Vulkan 的 GPU 支持功能，但这种方法仍然慢得多，比只用 CPU 运行时要慢（你可以查看我之前在 medium.com 上发表的文章，我这周重新测试了，仍然太慢）。