Inside the Together AI kernels team｜Together AIのカーネルチーム内覧

画期的な進展は、祝日の週末に訪れました。2022 年のメモリアルデーです。シリコンバレーの多くの人々がバーベキューを楽しんでいた中、ダン・フー、トリ・ダオ、そして彼らの同僚たちは、AI の権威ある人々の考えが間違っていることを証明しようとしていました。 当時の常識は確立されていました：トランスフォーマーのアテンション（注記：Transformer Attention）はすでに最適化されており、GPU 専門家がハードウェアから性能を最大限に引き出していたのです。これ以上得られる余地はほとんどないと考えられていました。 しかしその後、ダン、トリ、そして彼らの同僚たちは [FlashAttention](https://arxiv.org/abs/2205.14135) を発表しました。 当時テスラで AI 担当シニアディレクターだったアンドレイ・カルパティは、その日の午後これをツイートしました。数時間後には AI 研究のコミュニティ内で瞬く間に広まりました。「正直に言って、リリースした当時は誰も注目するとは思っていませんでした」とダンは振り返ります。「火曜日の朝にブログ記事やコード公開の準備をしていたのですが、月曜日の午後 7 時にカルパティがツイートしてくれたので、これで人々が注目していることがわかったのです。」 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f12070c/69cc3de2c2bf34b4647ca1de_caa50b67.png) スパース性や低ランク手法に関する先行研究では理論的な高速化が示されていましたが、実際の性能向上はわずか 10% 程度でした。FlashAttention チームは異なるアプローチを採用しました：GPU のメモリ転送と計算パターンを深く理解することです。彼らは、古典的なデータベースシステムの原則（データ局所性やメモリアーキテクチャに関する地味な内容）をアテンションに応用することで、2〜3 倍の高速化を実現しました。 背後にいる研究者たちにとって、その示唆は明確でした。GPU の最適化にはまだ膨大な未開拓のポテンシャルが残っていました。あの単一の論文が、現在では AI において最も影響力のあるカーネル研究チームの一つとなり、AI ネイティブクラウドの重要な構成要素となる基盤となりました。 誰も話題にしなかった問題 AI について多くの人々が理解していないのは、最高のモデルと最高のハードウェアを備えていればそれで十分ではないという点です。ボトルネックは両者の間のギャップ、つまり数学的演算をシリコン指令に変換するソフトウェア層にあります。そこがカーネルの領域です。 研究者たちが設計したものと、実際にハードウェア上で高速に動作するものの間には広大な隔たりがあります。多くの基礎的なアーキテクチャ（ResNets, LSTMs, RNNs）は、スケーリングのパラダイムが確立される前に設計されました。研究者たちがモデルを数百億パラメータ規模へとスケールさせ始めたとき、ハードウェアもそれとともに進化しました。GPU は現代の AI を支配する Transformer アーキテクチャに最適化された、ますます専門化された行列演算マシンへと変貌を遂げました。 カーネルは数学的抽象とシリコンという現実の間の翻訳層です：GPU がデータをどのように移動し、計算を効率的に行うかを具体的に指示するソフトウェアです。これを正しく実装すればハードウェアの全パワーを引き出せますが、間違えればそのハードウェアはアイドル状態のまま放置されてしまいます。 AI ネイティブアプリケーション（コアに AI を組み込んで構築された製品）にとって、このギャップは存亡に関わる問題です。最適化されていない容量で動作するインフラストラクチャ上では、レスポンシブな AI ネイティブアプリを構築することはできません。推論コストが本来あるべき価格の 2 倍になる場合、AI ネイティブビジネスをスケールさせることは不可能です。AI ネイティブクラウドには、シリコンレベルから最適化された AI ネイティブインフラストラクチャが必要です。 ## 1 週間で 1 年分の仕事を達成する 2025 年 3 月、当社のカーネルチームは約 15 名に成長していました。システム上の課題を追求する機械学習（ML: Machine Learning）研究者と、AI 分野へ移行した GPU ベテランの混合構成です。私たちは直近で、NVIDIA の最新世代ハードウェアである Blackwell GPU にアクセスできるようになりました。これは前世代とは根本的に異なる能力を持つ最新のハードウェアです。 課題は具体的でした。NVIDIA のチームは、Blackwell 向けの最適化されたカーネルを開発するために 1 年間を費やし、数十名のエンジニアが携わり、ハードウェアへの深い知識を持っていました。私たちに与えられたのはわずか 1 週間でした。 私たちは迅速に動き回るための手段が必要でした。その答えとなったのが ThunderKittens です。これはスタンフォード大学の研究者と共同で開発を進めてきたライブラリです。 「私たちは、カーネルを新しいハードウェアに適応させる経験があり、時間がかかることも知っていました」と Dan は語ります。「例えば、FlashAttention-3 は一般利用可能な Hopper アーキテクチャが登場してから 1 年後に発表されました。私たちは、新しいハードウェア世代向けに素早くカーネルを構築しやすくするためのツールを構築したかったのです。そして ThunderKittens がその答えでした。」 ThunderKittens は、GPU 上の行列乗算に特化したハードウェアユニットである NVIDIA のテンソルコア（tensor cores）を中心に構築されています。テンソルコアの周りに抽象化層を設けることで、かつては 1,000 行以上あった CUDA コードを 100〜200 行にまで削減しました。 チームは昼夜を問わず働き、Blackwell の新機能に対応する ThunderKittens の適応を進めました。具体的には、前世代より 2〜2.5 倍高速で動作する第 5 世代テンソルコア、さらに 256KB の超高速オンチップストレージを追加する新しい層のテンソルメモリ、そしてスレッドブロックがより深く協調可能にする CTA ペア（CTA pairs）です。 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f12070c/69cc3de2c2bf34b4647ca1e1_8e993d6b.png) ハードウェアへのアクセスを開始してからわずか 1 週間で、Blackwell 向けに利用可能な [最速の FP4 および FP8 GEMM カーネル](https://www.together.ai/blog/nvidia-hgx-b200-with-together-kernel-collection) の一部を完成させました。H100 上での cuBLAS と比較して最大 2 倍の高速化を実現しています。 ## 学術的エンジン ThunderKittens は突然現れたものではありません。これは、このチームがどのように構築されているかというより広範なパターンの一部です。 Dan Fu は UCSD で研究室を運営しており、高リスクな基礎研究に焦点を当てています。その中には彼自身の情熱プロジェクトである FFT アルゴリズム（FFT: Fast Fourier Transform）の研究も含まれており、これは業界の研究者がほとんど手をつけないニッチな分野です。Together AI の共同創設者であり首席科学者の Tri Dao はプリンストン大学にいます。Simran Arora はカリフォルニア工科大学（Caltech）に所属しています。 このモデルは相生的です：学術界ではアイデアのリスクを軽減し、Together AI で実用化します。博士課程の学生が会社に参加し、Together AI のインターンは学術研究室でより長期的な研究に取り組みます。アイデアは双方向に流れます。 この哲学が採用方針を形作っています。私たちは単にコードをリリースしたいだけの人や、引用数を積み上げたい人を求めているわけではありません。メモリアクセスパターンについて夜も眠れなくなる人、データフロー図に美を見出す人、最先端の研究を実環境へ導入することに心から興奮する人を求めています。研究には本質的に繰り返しの失敗が伴います。何よりも純粋な関心によって駆動されることが必要です。FFT のように一時的に流行っていない分野でも、本当に興味深いものであれば追求する価値があります。 このチームは、理論と実装の間のギャップを埋めることができる次世代のシステム研究者たちのための跳躍台となっています。私たちは「卒業生」として、現在は上海NYUで准教授を務め、HeavyBall Research グループのリーダーであるYucheng 教授を送り出しました。 ## Together Megakernel:281ms から77ms へ この学術エンジンを生産環境のユースケースに応用した一例として、主要なリアルタイム音声エージェント企業のひとつが挙げられます。彼らはTogether にて、64トークン目までの生成時間が約100ms を超えると会話体験が損なわれるという厳しい制約を提示しました。彼らの以前のセットアップではNVIDIA B200 GPU で展開されていましたが、281ms という結果に達していました。多くのワークロードにとっては高速ですが、彼らにとっては十分ではありません。 Together のカーネルチームは、彼らと協力してモデルアーキテクチャを選択し、NVIDIA H100 の HBM バンド幅の上限をターゲットとした、モデル全体を単一のカーネルで実行する Megakernel 実装を手動最適化しました。 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f12070c/69cc3de2c2bf34b4647ca1e4_a5932188.png) その結果、Llama-3.2-1B では 77ms を達成し、パフォーマンスは 3.6 倍向上し、単位あたりの経済性は従前のデプロイメントと比較して 7.2 倍改善されました。Qwen 2.5 1.5B では 127ms となり、B200 ベースラインの 292ms から大幅に短縮されています。 Together Megakernel は、スタンフォード大学の共同研究者らと共に開発されたオープンソース研究の実装版です。FlashAttention と同じ研究系譜に基づき、理論的に可能なことと実際にデプロイされたシステムが提供するものの間のギャップを埋めるためのハードウェア・ソフトウェアの協調設計となっています。 ## 世界クラスの研究成果が生産現場で実証される Together AI が他社と異なる点はここにあります。当社のカーネルチームは単に論文を発表する研究機関ではなく、顧客に直接対応し、戦略的パートナーと共に彼らのデプロイメントを改善するために活動しています。 Cursor の事例をご覧ください。遅延がミリ秒単位で重要であり、開発者がリアルタイムでコード補完を待っているような AI ネイティブな製品を構築する場合、汎用的なインフラでは不十分です。特定のワークロード、特定のモデル、特定の SLA（サービスレベルアグリーメント）要件に合わせたカスタム最適化が必要となります。 これが Together AI と提携した結果です：一流のカーネル研究チームへの直接アクセス。お客様のワークロードをプロファイリングし、ボトルネックを特定します。そしてそれらを解消するためのカスタムカーネルを作成します。私たちは大規模クラウド事業者ではなく、そこで小さな存在としてサポートチケットを提出し、誰かが最終的に問題を見てくれることを祈るような場所ではありません。 最も厳しい SLA（リアルタイム応答が必要な方々や、効率化のわずかな改善が数百万ドルのコスト削減につながる大規模運用を行う方々）を持つお客様向けに、カスタムソリューションを構築します。システムボトルネック用のカスタムカーネル。特定のモデルアーキテクチャ向けの最適化。お客様のデプロイメントを物理的に可能な限り高速にするために、研究チームの全リソースを注ぎ込みます。 これが実践における AI ネイティブクラウドの姿です：世界クラスの研究チームが AI ネイティブなビルダーと手を取り合い、理論上可能であることと実際に本番環境で稼働していることの間のギャップを埋めています。 ## 協力的で好奇心旺盛かつ執念深い 私たちのチーム文化は、競争ではなく知的探求心と協力を基盤としています。ダン・フーが「やる気満々（gung ho）」と呼ぶマインドセットを持つ約15人のメンバーで構成されています。 「私たちは良い人たちです」とダンは言います。「ロックスターのようなエゴはありません。この時代をワクワクしながら過ごし、難しい問題を一緒に解決することを愛する人々だけです。」 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f12070c/69cd62077a44ad6353f07ebb_Together-AI-Kernels-Team.JPG) チームには主に二つのタイプがあります。システム上の課題を求めている機械学習の専門家と、機械学習の分野へ移行する GPU/グラフィックスの専門家です。両者とも相手の分野を学ぶ必要があります。「すべての部品を理解することで、それらがどのように連携して動作するかを知ることができます」とダンは説明します。 私たちは、技術的な詳細に深く入り込み、あらゆる可能性を探求したい人々を求めています。単に「どうすれば動くか」ではなく、「なぜ動くのか」「どのようにより良くできるのか」、そしてその挙動を支配する根本的な原則は何なのかを理解できる人材です。 この仕事は必ずしも華やかではありません。カーネル最適化が実装されたことを発表することはありません。ただ、トレーニング時間の短縮、コストの削減、スループットの向上という結果があるだけです。これらは、プロダクションシステムが稼働するかどうかを決定する指標です。 しかし、これらのマージンはほぼ他のすべての要素よりも重要です。 これは、モデルのトレーニングに 3 週間かかるか 3 か月かかるかの違いであり、API の応答時間が 100 ミリ秒か 1 秒かの違いであり、同じ結果を得るために計算資源に 1,000 万ドルを費やすか 500 万ドルで済むかの違いです。次世代の AI ネイティブなアプリケーションや企業にとって、これらのマージンは、製品が瞬時に感じられるものになるのか、それとも遅延を感じるものになるのかを決定します。また、ユニットエコノミクスが成立するかどうか、あるいは数百万人のユーザーにスケールできるか、数千人で頭打ちになるかもこれによって決まります。 データの質は重要です。モデルのアーキテクチャも重要です。トレーニング手法も重要です。しかし、ハードウェアを効率的に動作させることができない場合、それらの他の要素はすべてスケーリングしません。 ある種のエンジニア、つまりメモリアクセスパターンや計算効率に美を見出し、他のすべてのことを可能にする見えない足場に取り組むことを望む人々にとって、これは最もエキサイティングな場所です。 ## 私たちと一緒に参加してください 私たちはカーネル研究チームの採用を行っています。パフォーマンス最適化への情熱と、ハードウェアと AI の交差点で働く意欲をお持ちの方は、[今日応募してください](https://www.together.ai/careers#roles)。

Together AIのカーネルチーム内覧

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト