万卡时代不打群架，中国智算正过三关
我前两天看到了一个挺震撼的视频，科学家们在NASA戈达德空间飞行中心的天体物理学家指导下，使用Discover超级计算机模拟了跳入黑洞的过程。
画面视觉效果摄人心魄，而一组数据同样让我感到震撼：该视频生成10TB的数据，只用了5天，耗费了0.3%总算力。如果我们想用自己的笔记本电脑模拟这个场景，需要花费的时间是10年。
“时间就是金钱，效率就是生命”，这句改开时代的口号，在大模型驱动的智算时代，仍旧不过时。
算力作为生产力，所节约的不只是金钱，更重要的是时间。
目前算力集群已经从千卡，迈入了万卡、五万卡集群。甚至有媒体预测，GPT6未来部署的时候，需要70万-80万张卡才能支撑。
那问题来了，万卡集群在执行大规模训练任务时负载重，发生软硬件错误的概率，当然也就更高。万卡时代，一张卡、一台机器或一个链路的故障，都可能导致中断，拖慢进程。那么十万卡、百万卡等更大数量级的提升，未来如何应对？
最近几个月，我们团队跟不少ICT厂商做了交流，简单总结一下行业动向，那就是：迈入万卡时代，必须“过三关”。
万卡时代，做AI=“中彩票”？
有必要首先说明一下，为什么智能计算仍在“堆卡”？从千卡、万卡到十万卡、百万卡，这个趋势是可持续的吗？
伴随着模型规模与数据参数愈发庞大，在可以预见的未来，基础设施层面的“堆卡”竞赛仍将继续。
目前，国际科技巨头如谷歌、微软、苹果等，在算力集群建设上持续投入，其中AI算力占总算力支出的比例持续增长，预计到2025年将达到25%。放眼国内，万卡及以上的组网也成为下一代智算中心的建设重点。
然而，算力集群卡的数量非线性增加，会带来更大的不稳定性和协作难度。正如新华三在前不久的媒体与分析师大会上所说，单卡单打独斗我们（与N卡）有差距，多卡集群服务不能打群架。
（拍摄自新华三集团2024媒体与分析师沟通会）
我们知道，分布式并行训练能够加速训练过程，是大模型常用的训练方式，相当于将任务分配给多个AI硬件，组成协作节点和集群，主打一个“人多力量大”。但是，人多还得心齐啊，让多卡用高效一致的步伐进行协作，却是一件难事，容易出现“打群架”的情况。
多卡“打架”，集群就会因故障而中断。
一位清华大学计算机教授曾分享过一个数据，其团队写一次容错检查点checkpoint需要三小时，这还是世界先进水平（未经优化前）。
工作三小时就得被迫停下，活（训练过程）又一点不能少，只能加班加点。普通打工人听了都得“抓狂”，更别说要跟技术创新抢速度、作业生产要效率的产学界了。
多卡集群“不打群架”，将算力最大化地有效使用起来，发挥每一张GPU的价值，提升训练效率，对开发人员来说，堪比中“彩票”，价值很大，但概率却不定。
显然，千行百业智能化，当然不能靠“中彩”和运气。
当算力集群即将从万卡，迈入五万、十万乃至百万卡的清晰未来，我们不能只以单一的规模和FLOPS浮点运算次数，来衡量智算中心的综合水平。其他因素也同样重要，比如集群扩展性、兼容性、算效比、能耗比等。
如何提供一个稳定可靠高性能的智算基础设施，万卡时代要“过三关”。
第一关：闯过资源墙
超大规模集群的不稳定性，一方面要对抗硬件数量非线性增长带来的“增熵”。
随着集群增大，AI芯片也会出现算力衰减的情况。支撑稳定高效的训练，就需要优化分布式计算系统的并行加速比。
更高的加速比，可以让集群在执行同一任务时，获得更高的速度和效率。也就是说，算力集群能够最大限度地一直运转，那么有效训练时间的比例更高，是开发人员衡量集群性能的一个关键。
比如国产大模型文心4.0，就通过百度智能云的万卡集群进行训练，支持模型的稳定高效迭代进化。目前，百度智能云上万卡训练集群的加速比和有效训练时间，达到 95% 以上。
（拍摄自IPF2024浪潮信息生态伙伴大会）
另一方面，中国智算还有一个特殊的要求，那就是闯过多元异构算力的“资源墙（resource wall)”。
不少智算中心，使用不一样的AI芯片服务器组成异构集群合池训练，共同完成一个大模型训练。尤其是此前GPU紧缺的情况下，一些数据中心、智算中心在不同时期，购买了不同的GPU，形成了不同类型、不同版本的异构集群。
多元异构的国产算力，既能以用促建，促进国产AI芯片的发展，减少对海外单一供应链的依赖，也能发挥不同类型芯片的特性，提高计算资源的利用率和训练效率。
但要将多元异构算力进行合池训练，会带来精度误差、同步问题，以及更复杂的资源管理和调度策略，更高的开发运维难度等。
未来，每个行业、每家公司都可能训练自己的大模型，带来充沛、高效、稳定的AI算力需求。让十万百万级集群、多元异构的算卡，以高效一致的步伐进行协作，将成为中国智算行业的关键挑战。
第二关：踏宽通信路
如果网络通信的联接能力不畅，大量算力资源折损在传输过程中，给智算中心与AI模型开发者带来的损失都是难以估量的。
如何将大量算卡有效地连接起来，形成一个高效稳定的计算网络，是支撑超大规模集群的关键。
需要说明的是，网络作为算力运输的道路，并不能无止境地拓宽。集群网络，尤其是万卡、十万卡集群网络的拓展，会受到几方面的制约。
首先是成本上，万卡乃至五万卡集群，所需要的网络设备数、端口数、光模块数量，可能会达到百万级别。而一个普通的400G光模块功耗就在10瓦到12瓦，当一个网络需要一万多个光模块，仅仅是电费成本都非常庞大。
此外，有业内人士向我们表示，万卡集群还容易搭建起来，未来如果要有百万卡集群来训练的大模型，可能整个城市的电都不够用。解决这个问题，那就需要分区、跨城域的算网，比如将多个万卡集群连起来，组成五万卡、十万卡集群。这就需要超高带宽的400G甚至800G网络，低时延、无损地支撑算力资源调度。
而一张运力强大、辐射范围广的算力网络，意味着管理运维的难度，也前所未有地增大了，依靠传统人力运维是不现实、不高效的。通过智能化、平台化、自动化，来实现更有效的网络纳管，是华为、新华三等ICT厂商正在探索的方向。
第三关：走出软件生态丛林
郑纬民院士曾提到一个观点：目前国内已经有30多家公司推出了国产AI芯片，“但用户不太喜欢用，核心问题就是生态不好”。
这里的生态，指的是国产软件生态。
目前，编程框架、并行加速、通信库、算子库、AI编译器、编程语言、调度器、内存分配系统、容错系统、存储系统等关键软件，虽然都有国产的，但仍有不足之处，比如功能不够齐全、性能不够好、生态贡献者不够繁荣等。
在郑院士看来，如果能把软件问题解决好，那么国产AI芯片硬件性能达到国外芯片的60%，大多数用户也可以是满意的，国产AI卡也会大受欢迎。软件做不好，国产硬件再好，也没有市场。
而万卡时代，意味着AI硬件的种类更多，既有不同架构，还有不同品类、不同版本。企业或开发者想要着手AI模型和应用开发，会在复杂的软件生态中晕头转向，很难快速找到路径。
比如说，每个芯片厂商都有自己的底层软件栈，且彼此不兼容，这就给AI开发者带来了大量移植工作，适配迁移的操作繁琐，时间、人力、金钱成本都很高。
我们注意到，2024年以来，帮助企业和AI开发者加快走出软件丛林，不少智算厂商都在强化AI软件赋能。比如宁畅在3月提出了“全局智算”战略，以“AI软动力”支持“精、准、稳”的AI集群设计，帮助客户实现大规模AI集群方案架构设计；中科曙光首次提出了“立体计算”体系，在“建、用、生态”三维发力的全新计算体系中，加大对软件生态的投入和支持；4月浪潮信息发布的企业大模型开发平台“元脑企智（EPAI）”，通过端到端的解决方案，为企业提供AI应用开发全流程的系列工具。
可以看到，“软硬兼施”的均衡能力，正在成为智算市场的兵家必争之地。
（拍摄自宁畅全局智算发布会）
大模型正在重塑产品、企业和社会，AI将无处不在，也让万卡时代成为一个确定性的未来。五万卡、十万卡乃至百万卡的算力集群，将是第四次工业革命的蒸汽机、发动机。
量子力学的创始人海森堡说过，提出正确的问题，往往等于解决了问题的大半。
从这个角度来说，正在闯关的中国智算行业，一定能在万卡时代，将算力的“心脏”握在自己手中。
