新智元报道

　　编辑：编辑部

　　一切计算皆 AI 已成为行业共识。大模型参数规模从千亿走向万亿，从单一走向 MoE，对算力的需求愈加庞大。我们需要理清的是，单芯片所带来的算力驱动已无法满足 LLM 发展。

　　国内 AI 不行，是因为芯片不行？

　　我们跟国外的差距，是因为和英伟达芯片的差距过大？

　　最近，圈内有许多这样的论调。

　　其实深挖下去，就会发现事实完全不是这样。即使是英伟达最先进的芯片，依然无法满足当下人工智能在算力上的需求。

　　随着模型参数量和数据量的增加，智慧不断涌现，我们对更大集群的需求，也更加迫切。无论是国外，还是在国内，大家离终点都很遥远。

　　算力≠芯片

　　如今，大规模神经网络的训练现状是这样的。

　　新鲜出炉的 8B 和 70B 参数的 Llama 3 训练，需要 24576 块 H100 组成的集群。

　　小扎曾透露截止今年底，Meta 将建成由 35 万块 H100 搭建的基础设施

　　而据称有 1.8 万亿参数的 GPT-4，是在 10000-25000 张 A100 上完成了训练。

　　爆火的 Sora 训练参数量可能仅有 30 亿，爆料称，估计使用了 4200-10500 块 H100 训了 1 个月。

　　特斯拉 FSD V12，则是在 1000 万个海量视频片段进行训练，需要用大概 10000 块 H100，耗资 3 亿美元。

　　就连奥特曼最近在 20VC 的采访中，提及了 OpenAI 目前增长的「核心瓶颈」：

我们有世界上最优秀的研究人员和研究文化。如果计算资源不足，将会拖慢我们的步伐。

　　一句话概括就是：给我算力！

　　然而，由于摩尔定律限制，从 14nm 到 7nm 再到 5nm 的制程进步，所带来的性能增益越来越有限。

　　我们需要有这样一个认知，即 AI 对算力的需求无穷尽，不能仅依靠 AI 芯片去满足算力需求。

　　那该怎么办？

　　瓶颈何解？

　　其实，英伟达在 GTC 24 大会上推出的由 DGX GB200 系统构建的全新 DGX SuperPOD，早已给出了答案。

　　通过在加速计算、网络和软件方面同时发力，新集群为万亿参数模型的训练和推理，提供了稳定的支持。

　　而且与上一代产品相比，新一代 DGX SuperPOD 架构的网络计算能力提升了 4 倍。

　　也就是说，刚刚的问题就迎刃而解了——通过更大的集群来突破算力的瓶颈。

　　然而，随着集成的芯片越来越多，我们不得不应对算法效率不高、计算资源不足、互联带宽受限等众多技术挑战。

　　计算资源不足

　　一方面，AI 系统的性能主要源于 GPU 等加速器，因此需要其具备强大的异构扩展能力。

　　但是，传统的计算机体系结构将加速计算模块作为 CPU 的配属，通过 PCI-e 总线接入系统，只支持有限数量的异构单元，限制了异构加速器的扩展性。

　　并且，同 CPU 的通信带宽也十分有限。

　　互联带宽受限

　　另一方面，互联成为了新的瓶颈。

　　AI 集群早已从千卡、增长到万卡、十万卡，节点间并行所产生的海量通信需求，严重挑战了现有的互联能力。

　　比如，刚刚提到的 GPT-4 集群有 2.5 万块 A100，而算力利用率（MFU）仅在 32% 到 36% 之间。

　　可见利用率非常之低，不过在当前技术条件下，几乎触顶了。

　　文章地址：https://www.semianalysis.com/p/gpt-4-architecture-infrastructure

　　部分原因是故障数量过多，需要从 checkpoint 重新启动训练。

　　如果 OpenAI 在云端使用 A100 的成本是 1 美元/h，那么仅这一次的训练，成本就会高达 6300 万美元。

　　算法效率不高

　　当然，系统不是全部，AI 训练是一个超级复杂的计算系统。

　　如果模型算法结构与硬件结构匹配不合理、并行化处理不科学等都会导致整个计算平台的利用率偏低。

　　除此以外，机柜之间若想实现高速的互联，不仅耗电，且散热不够的挑战也需要面对。

　　总而言之，解决以上难题，我们需要创新：用系统性开创思维去应对 AI 的挑战。

　　万卡集群

　　如今很多人都爱说，AI 产业的发展「缺芯少魂」，仿佛 AI 发展不起来，都是芯片制造业的责任。

　　但实际上呢？

　　稍微一分析就会知道，如今 AI 的算力设计已经到了万卡级别，其中某一张卡的性能，并没有决定性的作用。

　　对于动辄千亿、万亿参数的大模型来说，单机、单卡的效率不再那么重要了。这时要看的，是算力平台的整体效率。

　　就拿 GPT-3 来说，它的训练算法效率 MFU 只有 21.3%，近 79% 的算力，都被浪费掉了。

　　论文地址：https://arxiv.org/pdf/2204.02311.pdf

　　之所以有如此严重的浪费，就是因为在大规模计算中，单点效率很有限。因此算力再强都没有用，接近 80% 的时间，都是在等。

　　为什么？一是由于互联带宽的限制，二是由于算法没有考虑带宽的优化，导致效率奇低。

　　在这种情况下，系统的互联优化、高效组织协调、算法优化，重要性也愈发凸显。

　　硬件

　　为此，浪潮信息在去年发布了「融合架构 3.0」。

　　这是一个全新的大规模计算架构，通过高速互联总线，对计算存储进行了解耦。

　　当 GPU 算力不足时，需要构建一个 GPU 池，这样一台服务器可以对接不仅仅是 8 卡，可也以是 16 卡、32 卡。

　　同时，用相对比较低的算力堆积也存在瓶颈，因为 CPU 和 GPU 之间需要有个最佳的配比。

　　针对不同模型的类型、以及模型之间的交互量，有些 GPU 发挥的作用大一些，有些小一些。

　　通过高速的系统总线将多个节点连接，CPU、GPU、内存全部基于池化去做，实现了融合架构和算法模型之间的适配。

　　这种全新的架构，不以芯片为核心的单机系统，而是以万卡集群为设计出发点、以系统为核心的架构。

　　在未来，AI 计算领域重要的创新点，就落在了如何发挥系统价值、提升系统效率上。

　　而这个系统里，接下来要解决的问题，就是如何互联。

　　互联

　　显然，从千卡走向万卡，系统集群之间的高速互联变得愈加重要。

　　以往单一任务的 AI 工厂模式，早已不能满足需求。

　　集群不仅仅是面向大模型训练，还需提供服务，正是 AICloud 模式所能解决的。

　　但过去面向超级计算的专用网络，无法很好地支持多用户、多任务、多租户的灵活需求。

　　提升 GPU 与 GPU 之间的高速互联，英伟达闭源 NVLink 网络成为最典型的代表。

　　英伟达在 DGX SuperPOD，利用了第五代 NVLink 链接，同时采用了 Quantum-X800 InfiniBand 网络，可为系统中每个 GPU 提供高达每秒 1800GB/s的带宽。

　　可以看到，GPU 点对点的通信效率已从 2017 年 32GB/S，过渡到了如今最高的 1800GB/S，提升了 56 倍。

　　而在未来大模型训练中，浪潮信息笃定的以「超级 AI 以太网」来支撑——相比于传统 RoCE 可以实现 1.6 倍的效率提升。

　　为什么这么说？

　　因为，它能够实现「端网协同」，为模型训练带来极致的计算效率。

　　端网协同，是指 AI 交换机和智能网卡之间，能够实现紧密配合，并结合开放技术为网络引入创新功能。

　　多路径负载均衡功能，便是其中的一个最佳应用。

　　交换机（网侧）可以部署逐包喷洒技术，最大地提升带宽利用率，但会导致数据包乱序。

　　这个问题，是很难仅靠交换机本身去解决。

　　而智能网卡（端侧）却拥有足够的算力和资源进行乱序重排，将不可能变成可能，大大释放了网络潜力。

　　具体来说，通过报文保序（乱序重组）技术，可将乱序达到的报文，重新编排顺序上交到上层 AI 应用，将带宽效率从 60% 提升到 95% 以上。

　　正是超级 AI 以太网的出现，实现了交换机和网卡更加紧耦合的配合。

　　一边，交换机可以对网络数据包进行精细化的路由调度。另一边，智能网卡提供保序服务，实现了网络流量的高效均衡。

　　与此同时，网卡可以针对交换机上标注出的多维遥测信息，进行动态可编程的拥塞控制，实现全程无阻塞、零丢包。

　　由交换机+智能网卡实现高效的网络，便是「超级 AI 以太网」很典型的特点。

　　可见，若要真正发挥网络的性能，不仅需要提供大带宽，更重要的是通过良好的调度，提高「有效带宽」。

　　软件

　　有了如此复杂的系统，就要开发相应的调度软件，包括业务感知，资源自动调度和弹性扩展。

　　此外，在大模型开发过程中，故障隔离自愈变得越来越重要。

　　对于这一点，同样可以通过软件系统实现断点续算——一旦出现故障，就可以无缝退回到上一个 checkpoint。

　　散热

　　与此同时，在万卡集群里面，要提升效率，就要使得每个节点的计算力越来越强。

　　所以，高密度 AI 计算是必然趋势，这样机柜供电就要从 12-16 千瓦走到 120 千瓦，散热将逐渐走向液冷。

　　无独有偶，英伟达也在最新的 DGX SuperPOD 中，采用的也是液冷散热。

　　算法

　　而且，算力是驱动不仅仅是源于芯片，也要靠算法。

　　从 2017 年，Transformer 诞生之日至今，如果按照摩尔定律（18 个月芯片性能翻一番）来算，芯片性能只提升了 8 倍。

　　然而实际上，AI 计算的性能，已经提升了超过 1000 倍。

　　这就绝不仅仅是由于芯片制程的优化，而是源于整个系统的提升。

　　从算法层面来看，过去的大模型精度是 FP32，后来变成了 FP16，到今年已经进入了 FP8，在未来还会走向 FP4。

　　这种变化之下，算法对算力的需求会急剧减小，但对创新会很饥渴。

　　而浪潮信息正是基于包括算法并行、参数并行等技术上的优化，让算力效率提升了 33% 之多。

　　具体来说，浪潮信息在源 2.0 上采用了非均匀流水并行+优化器参数并行（ZeRO）+ 数据并行 + Loss 计算分块的方法，相比于经典的 3D 并行方法，对带宽的需求更小，同时还能获得高性能。

　　举个例子，在均匀流水并行的时候，24 层模型分到 8 个计算设备上，每个设备上会平均分到 3 层。

　　从下图中可以看到，这时内存在第一阶段就已经达到了 GPU 的上限。由此，模型的训练便需要更多设备、更长的流水并行线路，从而导致更低的算力效率。

　　而采用非均匀流水并行的方法，就可以根据模型每层对于内存的需求，结合内存的容量进行均衡分配，这样就能在有限的算力资源里把模型训起来了。

　　不过，流水线并行策略下，整个阶段依然是比较长的。

　　针对这个问题，团队通过引了优化器参数并行，进一步降低各个节点上内存的开销。

　　内存空间省下来了，就可以合并成更大的流水线，减少节点使用数量，节省算力资源。

　　算法创新的理念，在大模型领域也有一个佐证——MoE。

　　一个千亿级模型很难做到万亿级，是因为运算量和计算时间都远远超过了承载，效率奇低。

　　但混合专家系统 MoE 架构中，则是若干个千亿参数模型的混合。

　　而且，这样的专家调度系统，反而更符合人类大脑这种复杂的协同智慧涌现系统。

　　亲身尝试

　　发展 AI 应当「以系统为核心」的创新策略，正是浪潮信息多年来，在算力、大模型等领域深耕的结果。

　　早在 2021 年，ChatGPT 还未出世之前，浪潮信息已然成为大模型的践行者之一，并发布了「源 1.0」。

　　经过两年多的迭代，千亿级参数基础大模型「源 2.0」全面开源。

　　从某种角度上来讲，他们做大模型，并不是希望成为一个靠大模型「吃饭」的公司。

　　而只是为了探索：LLM 对计算的需求多大？万卡互联中什么最重要？应用场景是什么？创新的价值点在哪？

　　因为，只有亲身尝试去做，才能找到答案，获得深刻的理解。

　　IPF 2024 大会上，浪潮信息董事长彭震给举了一个栗子：

团队曾在国产平台上做大模型训练时，发现了互联带宽速率并不理想。为了克服这个的难题，工程师们在算法层做了大量的优化，采用了算法并行、参数并行，使得整个算力效率提升了 33%。

　　要知道，一个芯片的性能提升 30%，至少要制程迭代一次才行。但通过实践，浪潮信息发现，软件算法很快就可以解决这个问题。

　　再比如，在近 2500 亿参数「源 1.0」的开发中，团队们获得了一个认知大模型的基础，即参数量的增加，LLM 精度也得到了提升。

　　所以说，创新不是站在岸边去想在水里怎么游泳，而是要投入其中，真干实干。

　　从解决问题的过程中，找到创新的路径。

　　这便是浪潮信息一直以来所践行的理念，通过技术、框架和规范的全方位创新构建计算系统，开辟 AI 新时代！

　　参考资料：

　　https://mp.weixin.qq.com/s/Cl6lxxjs2UTXEMlh9-EDfg