构建 10 万卡 GPU 集群的技术挑战

2024-10-06科技

摘要

揭示AI训练集群关键基础设施挑战，探讨突破现有AI瓶颈的必要性与10万GPU集群（如OpenAI、Meta）建设所面临挑战与需求。

构建网络拓扑，需权衡多层交换机成本、带宽与维护。本文对比Ethernet与InfiniBand，探讨机架优化，助您明智选择。
并行计算 - 介绍了数据并行、张量并行和管线并行，以及如何结合使用。
深入剖析：揭示InfiniBand、Spectrum-X Ethernet与Broadcom Tomahawk 5等方案的成本对比，助您明智选择。

自 GPT-4 发布以来，AI 能力停滞不前。一般来说，这种观点是正确的，但原因在于还没有人能够大规模地增加单个模型的计算量。每个发布的模型的训练计算量大致在 GPT-4 的水平（约 2e25 FLOP 训练计算量）。这是因为用于这些模型的训练计算量也大致相同。以 Google 的 Gemini Ultra、Nvidia 的 Nemotron 340B 和 Meta 的 LLAMA 3 405B 为例，它们的 FLOPS 甚至比 GPT-4 更高，但由于架构劣势，这些模型未能解锁新能力。

OpenAI扩大计算资源，专注于打造更小、更经济高效的推理模型如GPT-4 Turbo和GPT-4o。虽起步晚，现已开启下一层级模型训练。

AI迈向新里程碑：万亿参数多模态变换器横空出世，视频、图像、音频、文本尽收眼底。尚未有人攻克，竞争激烈，未来可期！

多个大型 AI 实验室，包括但不限于 OpenAI/Microsoft、xAI 和 Meta，正在竞相建立超过 10 万个 GPU 的集群。这些单个训练集群的服务器资本支出成本超过 40 亿美元，但由于 GPU 通常需要共址以进行高速芯片到芯片的网络连接，它们还受到数据中心容量和电力不足的严重限制。一个 10 万 GPU 的集群需要超过 150MW 的数据中心容量，并在一年内消耗 1.59 太瓦时的电力，按照标准费率 $0.078/kWh 计算，成本为 1.239 亿美元。

今天我们将深入探讨大型训练 AI 集群及其周围的基础设施。构建这些集群远比单纯投入金钱复杂得多。实现高利用率更为困难，因为各种组件的高故障率，尤其是网络故障。我们还将介绍电力挑战、可靠性、检查点、网络拓扑选项、并行方案、机架布局和这些系统的总物料清单。

超过一年前，我们报道了 Nvidia 的 InfiniBand 问题，导致一些公司选择 Spectrum-X 以太网而非 InfiniBand。我们还将介绍 Spectrum-X 的主要缺陷，导致超大规模用户选择 Broadcom 的 Tomahawk 5。

为了说明 10 万 GPU 集群能提供多少计算能力，OpenAI 为 GPT-4 的训练 BF16 FLOPS 为约 2.15e25 FLOP（2150 万 ExaFLOP），使用约 2 万个 A100 进行了 90 到 100 天的训练。该集群的峰值吞吐量为 6.28 BF16 ExaFLOP/秒。在一个 10 万 p00 集群上，这个数字将飙升至 198/99 FP8/FP16 ExaFLOP/秒。这是相对于 2 万 A100 集群的峰值理论 AI 训练 FLOPs 增加了 31.5 倍。

在 p00 上，AI 实验室在万亿参数训练运行中达到了高达 35% 的 FP8 模型 FLOPs 利用率（MFU）和 40% 的 FP16 MFU。回顾一下，MFU 是在考虑到开销和各种瓶颈（如功率限制、通信不稳定、重新计算、滞后和低效内核）后，峰值潜在 FLOPS 的有效吞吐量和利用率的衡量标准。使用 FP8，10 万 p00 集群只需四天即可训练 GPT-4。在一个 10 万 p00 集群上进行 100 天的训练运行，可以达到大约 6e26 的有效 FP8 模型 FLOP（600 万 ExaFLOP）。请注意，硬件的低可靠性显著降低了 MFU。

电力挑战

10 万 p00 集群所需的关键 IT 电力约为 150MW。虽然 GPU 本身只有 700W，但在每个 p00 服务器中，CPU、网络接口卡（NIC）、电源模块（PSU）每个 GPU 还需要额外约 575W。除了 p00 服务器外，AI 集群还需要一系列存储服务器、网络交换机、CPU 节点、光学收发器等项目，总共占 IT 电力的 10%。对比而言，最大的国家实验室超算 El Capitan 只需 30MW 的关键 IT 电力。政府的超级计算机与行业相比相形见绌。

现有数据中心无力承载约150MW的新部署需求。提及10万GPU集群，通常指校园内多个建筑，而非单一建筑。X.AI不得已在田纳西孟菲斯改造旧厂为数据中心，以应对电力挑战。

光学收发器网络连接成本随覆盖范围递增。长距单模DR/FR收发器可靠传输达500米至2公里，成本却是多模SR/AOC收发器的2.5倍。校园级相干800G收发器覆盖超2公里，成本更是多模收发器的10倍以上。

p00集群，每个GPU高达400G连接速度，通过简洁的交换机结构实现高效协同。大型集群则需多层交换机，光学器件成本高。网络拓扑因供应商、工作负载和资本支出而多样化。

每栋楼配备一个或多个计算单元，以铜线或多模收发器连接。长距离收发器实现「岛屿」间互联。尽管155MW难以集中供应，但我们正关注超过15个数据中心建设，如Microsoft、Meta、Google等，它们将为AI服务器与网络设备提供充足空间。

客户依据数据传输、成本、维护、电力及负载需求，选择不同网络拓扑。如Tomahawk 5交换机、InfiniBand和NVIDIA Spectrum-X。本文将揭示其背后的决策动因。

回顾并行性

深入解析网络设计三大并行性：数据、张量、流水线，理解其拓扑、可靠性及检查点策略。详尽解释，助您掌握万亿参数训练核心！

数据并行性，即每个GPU持有模型权重副本，处理不同数据子集，通信量最低，仅需求和梯度。然而，其局限性在于，仅当每个GPU内存足够存储整个模型权重、激活和优化器状态时才有效。例如，训练GPT-4等高达1.8万亿参数的模型，可能需10.8TB内存。

为了克服这些内存限制，使用张量并行性。在张量并行性中，每层的工作和模型权重分布在多个 GPU 上，通常跨隐藏维度分布。通过多次在每层的自注意、前馈网络和层归一化之间的全规约交换中间工作。

需要高带宽，特别是非常低的延迟。实际上，域内的每个 GPU 像一个巨大的 GPU 一样在每层上协同工作。张量并行性按张量并行性等级数量减少每个 GPU 使用的总内存。例如，今天通常使用 8 个张量并行性等级在 NVLink 上，因此这将使每个 GPU 的使用内存减少 8 倍。

突破GPU内存极限，流水线并行技术应运而生。此法将模型分层计算，每GPU分担部分任务，输出接力至下一GPU，大幅降低内存需求。虽然通信量较高，但仍轻于张量并行，效率显著。

为提升模型FLOP利用率，我们融合张量、流水线与数据并行性，构建3D并行架构。在p00服务器内，张量并行贯穿，岛内节点以流水线并行协作，岛间则依托数据并行，优化通信效率。

网络设计考虑因素

网络架构基于并行设计。若每个GPU以最大带宽连接至其他所有GPU，将需四层交换机，成本高昂，且每层额外网络需光学设备，导致光学器件成本激增。

大型GPU集群不采用全树架构，转而构建计算岛，岛间带宽较小。普遍采用「超额订阅」策略，如Meta的前代架构，含32,000 GPU，8个岛间全带宽，顶层7:1超额订阅，岛间网络速度仅岛内1/7。

在GPU部署中，前端、后端及NVLink扩展网络各司其职。NVLink网络独步快速，胜任张量并行带宽需求。后端网络高效处理多数并行任务，但超额订阅下，仅限数据并行。

混合 InfiniBand 和前端以太网结构

这家公司巧妙运用前端以太网在InfiniBand岛屿间训练，成本更低，依托现有数据中心网络，实现高效扩展。

随着MoE等稀疏技术模型尺寸激增，前端网络通信量同步攀升。精妙优化权衡至关重要，否则带宽激增将令成本与后端带宽齐飞。

Google的多TPU pod训练全靠前端网络驱动，其「计算结构」ICI，最大可扩展至8960个芯片，通过昂贵的800G光交换机连接TPU水冷机架。为超越GPU，Google精心打造了更强大的TPU前端网络。

训练期间，前端网络操作需进行岛间拓扑感知的全规约。每pod在InfiniBand或ICI网络内完成本地规约散射，汇总GPU/TPU梯度子部分。随后，通过前端以太网网络在主机等级间进行跨pod all reduce，最终实现每个pod的pod级别全规约。

随着多模态数据激增，前端网络带宽面临挑战。加载大型视频与all-reduce竞争，流量不规律加剧滞后，影响建模速度与可预测性。

四层InfiniBand网络，7:1超额订阅，每Pod搭载24,576个p00，非阻塞三层系统。相比前端网络，升级光纤收发器更易增加带宽，轻松应对未来需求。

打造稳定网络新格局，前端聚焦数据加载，后端专注GPU通信，有效缓解延迟。然四层InfiniBand网络高昂成本，需额外交换机和收发器支持。

轨道优化 vs 机架中部

轨道优化技术让p00服务器直接连接8个叶交换机，实现GPU间单跳通信，显著提升all2all集体通信效率。此技术广泛应用于混合专家模型（MoE）的专家并行计算。

轨道优化设计虽高效，却面临挑战：叶交换机分布较散，需借助光学设备，叶脊间最长距离超50米，须采用单模光收发器，确保数据传输稳定。

通过非轨道优化设计，将98,304个光收发器替换为铜线，让25-33%的GPU结构采用铜线连接。此举简化了GPU与叶交换机的连接，不再需绕行电缆托盘和多个机架，叶交换机直接位于机架中部，每个GPU直接使用DAC铜缆连接，效率提升显著。

DAC铜缆运行更凉爽，电力消耗低，价格远低于光学设备。其更可靠的性能显著降低网络波动和故障，这是高速互连的常见难题。相比量子-2 IB交换机747瓦的功耗，光收发器功耗最高达1,500瓦。

对数据中心技术人员而言，轨道优化布线耗时，每链路末端相距50米，不同机架。中部设计则简化流程：叶交换机与GPU同架，集成工厂测试便捷，效率大幅提升。

可靠性与恢复

可靠性成大型集群关键挑战，常见问题包括GPU HBM ECC错误、驱动卡顿、收发器故障及NIC过热，导致节点频繁宕机或错误输出。

为降低故障恢复时间，数据中心需备有热备用节点和冷备用组件。故障发生时，迅速切换至备用节点，确保训练不间断。停机仅需简单重启，快速解决问题，确保训练持续高效运行。

简单重启无效，需专业技术人员物理诊断与设备更换。修复损坏GPU服务器耗时数小时至数天。损坏与备用热节点虽具理论FLOPS，却未积极助力模型训练。

在模型训练中，定期将检查点存储至CPU内存或NAND SSD，以防HBM ECC错误。若发生错误，需重新加载权重重启训练。故障容错技术如Oobleck，提供用户级GPU和网络故障处理方案。

不幸的是，频繁的检查点和故障容错训练会显著降低系统整体性能。集群需频繁暂停保存权重，导致每次重启最多损失99步工作。以10万集群为例，若每次迭代耗时2秒，第99步故障可能造成高达229天GPU工作量的损失。

借助后端结构，备用节点可从其他GPU快速RDMA复制，仅需约1.6秒复制80GB HBM内存中的权重。尽管最多可能丢失1步，但整体影响仅限于约3.15GPU天计算时间。

AI领域的先锋实验室已普遍采用高效故障恢复技术，而众多小公司仍依赖低效手段。采用内存重构，可令大型AI训练效率提升数个百分点。

InfiniBand/RoCE链路故障频发，即便平均故障时间长达5年，众多收发器导致新集群26.28分钟内首度作业中断。光学设备故障重启10万GPU集群，恢复耗时或超模型进展。

每个GPU直接连接至ConnectX-7 NIC，网络架构无故障容错，故障处理需在用户代码中实现，增复杂度。NVIDIA与AMD网络结构挑战显著，单一组件故障即导致服务器停机。

正在进行关键升级，确保网络重构，增强节点抗脆弱性。当前状况下，单点故障如GPU或光学问题可能导致价值百万的GB200 NVL72全面停机，远超数十万美元8GPU服务器的损失。

Nvidia 注意到了这一重大问题，并添加了一个专用于可靠性、可用性和可维护性（RAS）的引擎。我们相信 RAS 引擎分析芯片级数据，如温度、恢复的 ECC 重试次数、时钟速度、电压等，预测芯片可能何时故障并警告数据中心技术人员。这将允许他们进行主动维护，如使用更高的风扇速度配置文件以维持可靠性，在稍后的维护窗口取出服务器进行进一步的物理检查。此外，在启动训练作业之前，每个芯片的 RAS 引擎将进行综合自检，如运行矩阵乘法以检测静默数据损坏（SDC）。

Cedar-7

一些客户（如 Microsoft/Openai）通过使用 Cedar Fever-7 网络模块每台服务器，而不是使用 8 个 PCIe 形式的 ConnectX-7 网络卡，来进行成本优化。使用 Cedar Fever 模块的主要好处之一是只需使用 4 个 OSFP 笼，而不是 8 个 OSFP 笼，从而允许在计算节点端使用双端口 2x400G 收发器，而不仅仅是在交换机端。这将 GPU 到叶交换机的收发器数量从 98,304 减少到 49,152。

GPU至交换机连接减半，显著缩短首次作业故障预估时间至4年，相较于单端口400G的5年，提高至42.05分钟，大幅优于未采用Cedar-7模块的26.28分钟。

Spectrum-X NVIDIA

我们正构建10万节点NVIDIA Spectrum-X以太网p00集群，年底全面上线，引领高性能计算新纪元！

去年我们报道了 Spectrum-X 在大型网络中的各种优势。除了性能和可靠性优势外，Spectrum-X 还具有巨大的成本优势。Spectrum-X 以太网的每个 SN5600 交换机有 128 个 400G 端口，而 InfiniBand NDR Quantum-2 交换机只有 64 个 400G 端口。值得注意的是，Broadcom 的 Tomahawk 5 交换机 ASIC 也支持 128 个 400G 端口，使当前一代 InfiniBand 处于劣势。

一个完全互连的 10 万集群可以是 3 层而不是 4 层。4 层而不是 3 层意味着需要多 1.33 倍的收发器。由于 Quantum-2 交换机的较低径数，10 万集群上完全互连的 GPU 数量最多限制为 65,536 个 p00。下一代 InfiniBand 交换机称为 Quantum-X800，通过具有 144 个 800G 端口解决了这一问题，虽然从「144」这个数字可以看出，这设计用于 NVL72 和 NVL36 系统，并预计在 B200 或 B100 集群中使用不多。尽管使用 Spectrum-X 可以节省成本，但不幸的是，您仍需购买 Nvidia LinkX 产品线的高价收发器，因为其他收发器可能无法工作或未经过 Nvidia 验证。

Spectrum-X 拥有先发优势，NVIDIA 库（如 NCCL）全力支持，Jensen 邀您成为其新品线先锋。相较Tomahawk 5，节省内部资源，轻松实现网络与 NCCL 的最佳性能。

以太网虽取代InfiniBand应用于GPU结构，但无法支持SHARP内规约，限制了理论带宽提升。SHARP内规约通过交换机张量核心简化GPU间数据传输，理论带宽可翻倍。

Spectrum-X 的另一个缺点是，对于第一代 400G Spectrum-X，Nvidia 使用 Bluefield3 而不是 ConnectX-7 作为临时解决方案。我们预计在未来几代 800G Spectrum-X 中，ConnectX-8 将完美工作。

然而，Bluefield-3 和 ConnectX-7 卡之间的价格差异约为 300 美元，其他缺点是 Bluefield-3 卡的功耗增加了 50 瓦。因此，对于每个节点，额外需要 400W 的功率，降低了整体训练服务器的「智能每皮焦耳」。使用 Spectrum X 的数据中心现在需要额外的 5MW 电力用于 10 万 GPU 部署，而与 Broadcom Tomahawk 5 部署使用相同网络架构相比。

Broadcom Tomahawk 5

为规避Nvidia高昂费用，众多客户转向搭载Broadcom Tomahawk 5的交换机。Tomahawk 5与Spectrum-X SN5600同端口配置，128个400G端口，性能卓越。更佳的是，您可全球采购通用收发器和铜缆，灵活配置。

众多客户青睐与Broadcom交换机ASIC的ODM如Celestica合作，同时携手Innolight和Eoptolink等采购收发器。Tomahawk 5在交换机与收发器成本上均优于Nvidia InfiniBand，且价格低于Nvidia Spectrum-X。

遗憾需具备高超工程实力，以优化Tomahawk 5补丁及NCCL集群。原NCCL集群仅针对Nvidia Spectrum-X和InfiniBand优化。然而，若您拥有40亿美元投资10万集群，将能轻松为NCCL编写定制优化，轻松切换离InfiniBand。