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  

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。

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？

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。

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。

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！