产品展示 
联系方式 OpenAI陷巨大算力荒，国内大厂抢先破局！打破单芯片限制，算力效率提升33%
新智元报道
编辑 ：编辑部
【新智元导读】一切计算皆AI已成为行业共识 。陷巨大模型参数规模从千亿走向万亿，大算大厂打破单芯从单一走向MoE，力荒力效率提对算力的国内需求愈加庞大。我们需要理清的抢先是，单芯片所带来的破局片限澳门彩正版资料网站算力驱动已无法满足LLM发展 。
国内AI不行 ，制算是陷巨因为芯片不行 ？
我们跟国外的差距 ，是大算大厂打破单芯因为和英伟达芯片的差距过大 ？
最近 ，圈内有许多这样的力荒力效率提论调 。
其实深挖下去 ，国内就会发现事实完全不是抢先这样 。即使是破局片限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制算需求 。
随着模型参数量和数据量的陷巨增加，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，下载澳门六下彩资料官方网站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 ，互联成为了新的澳门一肖一码资料瓶颈 。
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
特别声明 ：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布 ，本平台仅提供信息存储服务 。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.