21世紀經(jīng)濟報道記者白楊 北京報道

(資料圖片僅供參考)

隨著AI大模型參數(shù)量從億級飆升到萬億級，人們對于支撐大模型訓(xùn)練的超大規(guī)模算力也越發(fā)關(guān)注。而談及算力，GPU自然是核心話題，但是，GPU也不是唯一。

因為大模型龐大的訓(xùn)練任務(wù)，需要由大量GPU服務(wù)器組成的算力集群來提供算力，而這些服務(wù)器之間要通過網(wǎng)絡(luò)連接，進行海量數(shù)據(jù)交換。有數(shù)據(jù)顯示，算力集群每次計算背后，服務(wù)器間的同步通信量會高達百GB。

所以單個GPU的性能再強，如果網(wǎng)絡(luò)性能跟不上，那整個算力集群的計算能力也會大打折扣。因此，大集群不等于大算力，相反，GPU集群越大，產(chǎn)生的額外通信損耗越多。

據(jù)悉，千億、萬億參數(shù)規(guī)模的大模型，訓(xùn)練過程中通信占比最大可達50%，傳統(tǒng)低速網(wǎng)絡(luò)的帶寬遠遠無法支撐。同時，傳統(tǒng)網(wǎng)絡(luò)協(xié)議容易導(dǎo)致網(wǎng)絡(luò)擁塞、高延時和丟包，而僅0.1%的網(wǎng)絡(luò)丟包就可能導(dǎo)致50%的算力損失，最終造成算力資源的嚴重浪費。

這也進一步說明，大模型發(fā)展是典型的木桶效應(yīng)，任何一塊短板，都會影響整體的性能。而大帶寬、高利用率、信息無損，則是AI大模型時代網(wǎng)絡(luò)能力面臨的核心挑戰(zhàn)。

針對網(wǎng)絡(luò)能力，6月26日，騰訊云首次對外完整披露了其自研的星脈高性能計算網(wǎng)絡(luò)。據(jù)介紹，星脈網(wǎng)絡(luò)具備3.2T通信帶寬，能提升40%的GPU利用率，節(jié)省30%~60%的模型訓(xùn)練成本，為AI大模型帶來10倍通信性能提升?；隍v訊云新一代算力集群HCC，可支持10萬卡的超大計算規(guī)模。

騰訊云副總裁王亞晨表示，星脈網(wǎng)絡(luò)在交換機、通信協(xié)議、通信庫以及運營系統(tǒng)等方面，進行了軟硬一體的升級和創(chuàng)新，是為大模型而生的網(wǎng)絡(luò)架構(gòu)。

其中在硬件方面，星脈網(wǎng)絡(luò)基于騰訊的網(wǎng)絡(luò)研發(fā)平臺，采用全自研設(shè)備構(gòu)建互聯(lián)底座，可實現(xiàn)自動化部署和配置；在軟件方面，騰訊云自研的TiTa網(wǎng)絡(luò)協(xié)議，能夠?qū)崟r監(jiān)測并調(diào)整網(wǎng)絡(luò)擁塞，滿足大量服務(wù)器節(jié)點之間的通信需求，使集群通信效率達90%以上。

此外，騰訊云還為星脈網(wǎng)絡(luò)設(shè)計了高性能集合通信庫TCCL，通過融入定制化解決方案，使系統(tǒng)實現(xiàn)了微秒級感知網(wǎng)絡(luò)質(zhì)量。結(jié)合動態(tài)調(diào)度機制合理分配通信通道，可以避免因網(wǎng)絡(luò)問題導(dǎo)致的訓(xùn)練中斷等問題，讓通信時延降低40%。

王亞晨表示，網(wǎng)絡(luò)的可用性，也決定了整個集群的計算穩(wěn)定性。為確保星脈網(wǎng)絡(luò)的高可用，騰訊云自研了端到端的全棧網(wǎng)絡(luò)運營系統(tǒng)，通過端網(wǎng)立體化監(jiān)控與智能定位系統(tǒng)，讓整體故障的排查時間由天級降低至分鐘級。同時，大模型訓(xùn)練系統(tǒng)的整體部署時間也從19天縮減至4.5天。

在AI大模型的推動下，網(wǎng)絡(luò)技術(shù)正在加速演進。而騰訊云星脈網(wǎng)絡(luò)背后，也是騰訊過去三代網(wǎng)絡(luò)技術(shù)演進的成果。

在騰訊發(fā)展初期，數(shù)據(jù)中心網(wǎng)絡(luò)流量主要由用戶訪問數(shù)據(jù)中心服務(wù)器的南北向流量構(gòu)成，網(wǎng)絡(luò)架構(gòu)以接入、匯聚、出口為主。這一階段主要使用了商用網(wǎng)絡(luò)設(shè)備，搭建標準化數(shù)據(jù)中心網(wǎng)絡(luò)，支撐QQ在線人數(shù)增長超過1億，服務(wù)器規(guī)模增長超10萬。

隨著大數(shù)據(jù)和云計算的興起，服務(wù)器之間的東西向流量逐漸增多，云租戶對網(wǎng)絡(luò)產(chǎn)生了虛擬化和隔離的要求。數(shù)據(jù)中心網(wǎng)絡(luò)架構(gòu)逐漸演變?yōu)橥瑫r承載南北向和東西向流量的云網(wǎng)絡(luò)架構(gòu)，騰訊云開始構(gòu)建全自研網(wǎng)絡(luò)設(shè)備與管理系統(tǒng)，打造超大規(guī)模數(shù)據(jù)中心網(wǎng)絡(luò)，服務(wù)器規(guī)模近200萬臺。

而隨著AI大模型的出現(xiàn)，騰訊云推出的星脈網(wǎng)絡(luò)，采用了東西向、南北向流量的分離架構(gòu)，并構(gòu)建了獨立的超大帶寬、符合AI訓(xùn)練流量特征的網(wǎng)絡(luò)架構(gòu)，配合自研軟硬件設(shè)施，實現(xiàn)整套系統(tǒng)的自主可控，也能滿足超強算力對網(wǎng)絡(luò)性能的新需求。

據(jù)悉，騰訊云此前發(fā)布的新一代HCC高性能計算集群，正是基于星脈網(wǎng)絡(luò)打造，可以實現(xiàn)3.2T超高互聯(lián)帶寬，算力性能較前代提升了3倍。

標簽：