8月12日下昼，华为正式宣布AI推理“黑科技”UCM（推理印象数据经管器），助力处分AI推理服从与用户体验的困难。
AI推理是AI财产鄙人一阶段的生长重心。AI财产已从“找寻模子才智极限”转向“找寻推理体验最优化”，推理体验直接相干用户中意度、贸易可行性等中心需求，成为量度AI模子价钱的黄金标尺。
据悉，华为盘算正在9月开源UCM。届时，华为将正在魔擎社区首发，后续慢慢功勋给业界主流推理引擎社区，并共享给悉数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）为核心的推理加快套件，调和众类型缓存加快算法器械，可能分级经管推理经过中发生的KV Cache印象数据，增加推理上下文窗口，以告终高含糊、低时延的推理体验，从而低浸每个Token（词元）的推理本钱。
KV Cache是一种用于优化估量服从、删除反复运算的枢纽本事，可是须要占用GPU（图形执掌器）的显存存储史籍KV（键值）向量，天生的文本越长，缓存的数据量越大。
跟着AI财产的生长迈入署理式人工智能期间，模子领域化扩张、长序列需求激增，以及推理职业并发量拉长，导致AI推理的KV Cache容量拉长，逾越了显存的承载才智。
目前，海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，修建起AI推理期间的“铁三角”，短期内难以被取代。中邦企业正在单点硬件本事上有所冲破，但邦产软件及生态适配仍有较大差异。
跟着新闻本事行使立异财产的邦产化改制提速，各行业慢慢认识到须要加快构开邦产推理生态。UCM的中心价钱正在于供应更疾的推理反映、更长的推理序列等。
以供应更长的推理序列为例，UCM通过动态KV逐层卸载、处所编码扩展等组合本事，将超长序列的Cache（缓存）分层卸载至外置专业存储，诈欺算法冲破模子和资源节制，告终10倍级推理上下文窗口扩展。
据悉，UCM可依照印象热度正在HBM、DRAM、SSD等存储介质中告终按需滚动，同时调和众种疏落注意力算法告终存算深度协同，使长序列场景下TPS（每秒执掌token数）提拔2至22倍，从而低浸每个Token的推理本钱。
Token是AI模子中的根基数据单元。正在陶冶经过中，AI大模子会进修符号Token之间的联系，从而施行推理并天生确实、相干的输出。
数据显示，海外主流AI大模子的单用户输出速率已进入200 Tokens/s区间（时延5ms），而我邦主流AI大模子的单用户输出速率广泛小于60 Tokens/s（时延50至100ms）。
同时，跟着AI行使向百般实质场景深度渗出，用户领域和哀告量快速攀升，模子判辨和天生的Token数出现指数级拉长态势。
重大的Token执掌量意味着昂扬的运营本钱，囊括供职器保卫、电力破费延续攀升等，而保护畅达推理体验须要加大算力加入。
最大化的单Token智能承载力和优化本钱，成为浩繁厂商的中心宗旨，而且Token经济期间到临，陶冶、推理服从与体验量纲都以Token为外征。
目前，华为AI推理加快计划集合UCM与华为AI存储（OceanStor A系列）本事，与中邦银联发展机灵金融AI推理加快行使试点，三大落地营业场景划分是客户之声、营销计议、办公助手。
以办公助手场景为例，通过行使华为AI推理加快计划，可接济用户输入领先17万Tokens的超长序列推理，避免超长序列模子推不动的题目。