BF16浮点格式加速AI深度学习训练

我们来看一个在AI圈子里越来越常见的数据格式——BF16。它又名BFloat16，全称是Brain Float 16，由Google Brain团队开发，最早用在第三代TPU上。如今，Google、英特尔、Arm等多家公司的AI翻跟斗几乎都在用这个格式。

BF16的核心思路其实挺简单：通过降低数字的精度，来减少张量乘法运算所需的计算资源和功耗。张量说白了就是三维矩阵，而张量乘法正是AI计算中最核心的数学操作。

现在大多数AI训练还是用FP32，也就是32位浮点数。精度极高，但代价也大——硬件要够强，功耗更是惊人。而推理阶段常用的INT8（8位整数）情况正好相反：精度低，但传输效率高、省电，只是预测准确度会有所折损。

BF16正是在精度和预测准确性之间找到了一个不错的平衡点，从而在保持模型表现的同时，大幅提升吞吐量。这听起来有点绕，我们来拆开看看浮点数的结构就明白了。

浮点数字解析

计算机中浮点数的基本表示方式是：符号位 × 基数^{指数}，基数为2。在FP32里，每个数字占用32位：1位符号，8位指数，23位尾数。

Google Brain团队给BF16出的题很简单：把FP32里的尾数砍掉16位，只留下7位。所以BF16的格式就成了：1位符号，8位指数，7位尾数，总共16位。

关键在这里：指数位数和FP32一样，都是8位。这意味着BF16保留了FP32的动态范围——能表示的数字范围几乎不变。额外的信息来自Google的解释：神经网络对指数的大小远比尾数敏感。所以用BF16做预测，准确率几乎和FP32持平。对大多数AI应用来说，这样的折衷完全可以接受。

为什么不使用FP16？

这里就引出一个自然的问题：FP16也是16位浮点数，在移动端图形处理里用得也很多，为什么不直接用呢？

FP16的位分配是：1位符号，5位指数，10位尾数。问题出在指数上——只有5位，动态范围比FP32小得多。要把FP32转成FP16，操作远比截断尾数要复杂。

还有一个重要的硬件因素：乘法器的芯片面积和尾数宽度的平方成正比。BF16的乘法器比FP32小8倍，只有FP16的一半不到。这正是Google为TPU选择BF16的关键原因之一——省面积、省功耗。

还有哪些DL运算格式？

BF16并不是唯一的选项。2017年，AI软件公司Nervana曾提出一种叫做Flexpoint的格式。它的想法很聪明：结合定点和浮点数字系统的优势，减少运算和内存需求。

定点数用固定位数表示整数和小数，运算比浮点数简单快速。但代价是动态范围远小于浮点数。Flexpoint的做法是：让张量里所有数字共享同一个指数（不光是指数大小相同，连值都完全相同）。这样一来，张量乘法就可以当作定点运算来做，省去了浮点运算的复杂度。

想法很巧妙，管理共享指数却是极其复杂的事，而且所有数字拥有相同指数，也限制了动态范围。更重要的是，Flexpoint从未真正起飞——Nervana自己在被英特尔收购之前，用的也还是BF16。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：BF16浮点格式加速AI深度学习训练要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题