顯著提升萬卡GPU訓(xùn)練性能，浪潮信息X400榮獲"2024 DPU&AI Networking Awards"！

北京2024年8月21日 /美通社/ -- 2024 DPU & AI Networking創(chuàng)新大會(huì)日前在北京圓滿落幕，大會(huì)表彰了在DPU與AI網(wǎng)絡(luò)技術(shù)創(chuàng)新及實(shí)踐應(yīng)用中取得卓越成就的單位與項(xiàng)目。會(huì)上，浪潮信息「X400超級(jí)AI以太網(wǎng)解決方案」憑借領(lǐng)先的端網(wǎng)協(xié)同技術(shù)，顯著提升了大模型訓(xùn)練效率，榮獲"2024 DPU & AI Networking Awards 創(chuàng)新引擎獎(jiǎng)"。

隨著AIGC的發(fā)展，大模型的參數(shù)量越來越大，如何借助 AI 網(wǎng)絡(luò)將上千臺(tái)AI 服務(wù)器系統(tǒng)互聯(lián)，充分釋放算力資源的全部潛力，加速 AI 大模型訓(xùn)練，成為 AIGC 時(shí)代的新挑戰(zhàn)。此次獲得"2024 DPU & AI Networking Awards 創(chuàng)新引擎獎(jiǎng)"的浪潮信息X400 AI Fabric專為AIGC場景打造，能夠?yàn)橛脩魳?gòu)建可彈性擴(kuò)展至524,288個(gè)GPU的超大規(guī)模AI系統(tǒng)，憑借AR自適應(yīng)路由、端到端擁塞控制、亞毫秒級(jí)故障自愈等技術(shù)，性能提升至傳統(tǒng)RoCE網(wǎng)絡(luò)的1.6倍，實(shí)現(xiàn)了AI網(wǎng)絡(luò)的超高吞吐量、高可擴(kuò)展性和超高可靠性，極大提升大模型訓(xùn)練性能，大幅縮短訓(xùn)練時(shí)長并降低訓(xùn)練成本。

■ 端網(wǎng)協(xié)同，網(wǎng)絡(luò)性能提升1.6倍：針對(duì)生成式AI場景下GPU之間會(huì)突發(fā)超高吞吐的通信特點(diǎn)，浪潮信息采用X400 + BF-3 SuperNICs的協(xié)同調(diào)度方式，通過自適應(yīng)路由、報(bào)文保序、可編程CC等技術(shù)，實(shí)現(xiàn)交換機(jī)和網(wǎng)卡更緊密的配合，為AI大模型提供零丟包、無阻塞的全鏈路交換網(wǎng)絡(luò)，機(jī)間互聯(lián)性能高達(dá)400G，有效帶寬從傳統(tǒng)的60%提升到95%，性能提升1.6倍。同時(shí)，AI大模型訓(xùn)練的網(wǎng)絡(luò)優(yōu)化離不開NCCL通信庫支持，X400 AI Fabric和InfiniBand一樣，天然地與NCCL無縫銜接，能夠?yàn)榇竽Ｐ吞峁╉敿獾男阅堋?/p>

■ 靈活拓展、極致穩(wěn)定，全力加速大模型訓(xùn)練：X400 超級(jí) AI 以太網(wǎng)交換機(jī)憑借超高的端口密度以及彈性可拓展的能力，提供高性能、靈活可拓展的網(wǎng)絡(luò)服務(wù)，支持大規(guī)模 AI服務(wù)器系統(tǒng)。其中，X400 AI Fabric在二層組網(wǎng)下，GPU服務(wù)器數(shù)量可達(dá)1024臺(tái)，支持8,192張GPU卡，并可靈活拓展到三層組網(wǎng)，GPU服務(wù)器規(guī)模可達(dá)65,536臺(tái)，最大支持GPU卡的數(shù)量可以達(dá)到524,288張。隨著AI算力系統(tǒng)的規(guī)模不斷攀升，對(duì)可靠性的要求越來越高，浪潮信息X400集成系統(tǒng)級(jí)的高可用技術(shù)，在硬件上獨(dú)創(chuàng)IGE智能防護(hù)單元，對(duì)核心部件器件進(jìn)行冗余備份，對(duì)關(guān)鍵硬件信號(hào)進(jìn)行全面的監(jiān)控和故障隔離，具有芯片級(jí)、系統(tǒng)級(jí)以及鏈路完整的監(jiān)控，實(shí)時(shí)掌握AI節(jié)點(diǎn)間通信狀態(tài)，實(shí)現(xiàn)對(duì)潛在的故障鏈路進(jìn)行自動(dòng)隔離，在上層應(yīng)用無感的情況下實(shí)現(xiàn)故障自愈，全方位保障AI網(wǎng)絡(luò)的極致穩(wěn)定，降低大模型訓(xùn)練成本和周期。 

■ 敏捷易用，部署周期從數(shù)周縮短到天：傳統(tǒng)RoCE方案的網(wǎng)絡(luò)建設(shè)中，交換機(jī)涉及一系列的擁塞控制配置，不僅配置繁瑣，拉長部署周期，而且容易配置錯(cuò)誤，導(dǎo)致訓(xùn)練性能下降。為此，X400超級(jí)AI以太網(wǎng)解決方案提供RTTCC擁塞控制算法，無需交換機(jī)的參與，避免在交換機(jī)上進(jìn)行復(fù)雜的參數(shù)調(diào)優(yōu)，即插即用，部署周期從數(shù)周縮短到天，加速業(yè)務(wù)上線，徹底解決調(diào)參復(fù)雜、配置困難等問題。

目前，X400超級(jí)AI以太網(wǎng)解決方案已經(jīng)在互聯(lián)網(wǎng)等行業(yè)實(shí)現(xiàn)測試應(yīng)用。在大規(guī)模AI算力系統(tǒng)網(wǎng)絡(luò)調(diào)度過程中，相比傳統(tǒng)RoCE網(wǎng)絡(luò)方案，性能提升1.6倍，帶寬利用率超過95%，通信時(shí)延降低30%，并且在多租戶AI Cloud場景中，NCCL通信性能提升1.5倍，同時(shí)，該方案通過其卓越的成本效益，助力客戶大幅提高投資回報(bào)，實(shí)現(xiàn)成本與效益的完美平衡，為智算中心客戶帶來更快、更好、更省的網(wǎng)絡(luò)業(yè)務(wù)體驗(yàn)。