大數據時代，個人信息越來越透明，以至於手機APP都能讀懂你我的心思，甚至能將信息精準地送達到每一個移動端。APP開發者將其稱之為“算法推薦”，商家將其稱之為“個性化定製”。有人為推薦機制津津樂道，“原來手機比男朋友更懂我”，聽到更多合口味的音樂，看更多愛好的視頻；也有人感嘆其恐怖，擔心陷入算法佈局好的陷阱，陷入信息繭房。
價值巨大的推薦系統
雖然我們開始警惕推薦機制可能帶來的危害，但對於企業而言，推薦機制藴藏着巨大的價值，推薦系統的加速不會停止。
根據王喆老師的論文《深度學習推薦系統》[1]中的例子，2019年天貓“雙11”的成交額是2684億元，天貓推薦系統實現了首頁商品的個性化推薦，其目標是提高轉化轉化率和點擊率。假設推薦系統進行了優化，整體的轉化率提高1%，那麼增加的成交額大約為26.84億元。由此可見，相比於對信息繭房的擔憂，互聯網巨頭當然是更關心這筆數目不小的收益增長，進一步加速各自的推薦系統，短視頻玩家快手也不例外。
根據快手官網數據顯示，2015年6月，快手的單日用户上傳視頻量突破260萬；2016年4月總用户數突破3億。截止目前為止，快手累計200億條短視頻庫存，每天仍有超過1500萬條視頻新增、千億條視頻曝光，早已從一個Gif生成工具蜕變成為一個日活3億、日播放量200億的短視頻社區。
當構建起龐大的數字世界後，快手需要面對的問題是，如何在承載高峯期每秒數十萬併發調用量的同時，從上億級別的短視頻庫中，通過千億參數級別的深度模型向不同的用户對象推送合適的內容，即其推薦系統的加速問題。
為此，快手基於異構設備構建了計算與存儲分離的推薦系統架構。在該架構的內部，主要由兩部分任務組成，一部分是包括推薦服務、預估服務、召回服務在內的計算敏感性服務，另一部分是包括用户畫像、參數服務器以及分佈式服務器索引的存儲敏感性服務，這些模塊需要實現大容量內存的數據存儲及快速的數據訪問。
提升訓練速度的英特爾Cooper Lake
實際上，推薦系統加速的本質，一方面是人工智能應用的升級，機器需要對圖片、視頻等信息進行學習和分類；另一方面，則是對存儲和訪問的進一步需求。
今年6月，英特爾推出的第三代至強可擴展處理器Cooper Lake就是專為當今內置人工智能數據密集型服務而設計的處理器。雷鋒網瞭解到，英特爾第三代可擴展處理器進一步升級了DLBoost深度學習加速技術，同時，在深度學習加速架構下的VNNI神經網絡指令支持bfloat16數據格式。與上一代平台Cascade Lake最頂級的CPU 8280相比，在圖像分類處理上，Cooper Lake的計算性能提升1.93倍。
在對人工智能的支持上，區別於第二代至強可擴展處理器支持的Int8數據格式和傳統的FP32數據格式，bfloat16數據格式是採用16位存取一個數據，包括1個符號位，8個指數和7個尾數位，同時保證了數據的範圍和精度。
雷鋒網瞭解到，雖然bfloat16的精度沒有FP32的精度高，但是7位尾數對於大多數人工智能的推理計算模型而言，精度已足夠使用。英特爾技術人員透露，相比於上一代基於FP32數據格式做訓練，VNNI搭配bfloat16能使訓練性能提高93%，推理性能提高90%。
Cooper Lake或將是快手加速推薦系統的好選擇。
依託傲騰持久內存，加速存儲與訪問
更好地存儲與訪問，是快手在加速推薦系統過程中，需要面臨的另一個問題。
在傳統的存儲架構中，大容量持久化存儲主要在硬盤或者固態盤中，對於快手的推薦系統而言，尤其是參數服務器和分佈式索引服務，從硬盤或固態盤中索引數據，工作量大，時延長。若將索引工作直接在內存中進行，就會降低訪問延時，提高推薦系統的響應。
不過，在內存存儲金字塔中，金字塔頂端的存儲方案，性能高，存儲低，單位容量成本高，金字塔低端則是容量大、性能低，成本低的存儲方案，存在斷層現象，比如常規的DDR4的內存和NAND的閃存，訪問的延遲相差1000倍，典型的容量相差100倍，而單位容量的成本相差10倍。這一斷層現象導致很多應用在選擇方案時，難以找到比較平衡的設計。
基於這一難題，英特爾推出了傲騰持久內存，與上一代產品相比，其內存帶寬提升25%，若搭配之後發佈Ice Lake的平台，每處理器可帶來4.5TB的總內存容量。同時，在做數據寫入時，其訪問延遲只有幾百納秒，而一個普通的NAND SSD的訪問時間則在100微秒左右。
英特爾技術專家介紹，英特爾第三代至強可擴展平台與傲騰持久內存結合，可將服務器上每個節點的容量從原來的幾百GB擴展至TB級別，例如一個4路、4個插槽的第三代至強可擴展處理器平台，每個插槽都搭配傲騰持久內存，支持的最大內存就可達到18T。
基於此，快手率先與英特爾展開合作，結合英特爾至強可擴展處理器平台和傲騰持久內存，快手推薦系統性能及TCO得到了優化和提升。不僅大大降低了數據訪問延遲時間，還縮短了系統故障恢復時長。
同時，傲騰持久內存與DRAM內存性能表現相似，前者相比於後者更具成本和容量優勢。因此在同英特爾的合作中，快手推薦系統的總擁有成本（CTO）降低了30%。
除了在推薦系統方面同英特爾合作，改善存儲與訪問速度之外，快手也正在同英特爾探討成立聯合實驗室，推動業務創新及升級數據中心。
作為推薦系統的受益者，快手或將在進一步加速生態系統的過程中再次嚐到甜頭。
[1] 王喆，《深度學習推薦系統》，電子工業出版社
雷鋒網雷鋒網雷鋒網