瞄準(zhǔn)五大方向持續(xù)攻關(guān)，構(gòu)建AI網(wǎng)絡(luò)底座

如果企業(yè)擁有數(shù)據(jù)中心，需要關(guān)注的是人工智能（AI）技術(shù)可能很快就會部署到數(shù)據(jù)中心。無論AI系統(tǒng)是一個聊天機(jī)器人，還是橫跨多個系統(tǒng)的自動化流程，亦或是對大型數(shù)據(jù)集的有效分析，這項新技術(shù)都有望加速和改善許多企業(yè)的業(yè)務(wù)模式。然而，AI的概念也可能會令人產(chǎn)生困惑和誤解。是德科技的這篇文章旨在探討有關(guān)AI網(wǎng)絡(luò)如何工作以及該技術(shù)面臨的獨特挑戰(zhàn)等五個方面的基本問題。

GPU相當(dāng)于AI計算機(jī)的“大腦”

簡單來說，AI計算機(jī)的大腦就是圖形處理器（GPU）。過去，人們可能聽說過中央處理器（CPU）是計算機(jī)的大腦。GPU 的優(yōu)勢在于，它是一個擅長進(jìn)行數(shù)學(xué)計算的 CPU。當(dāng)創(chuàng)建AI計算機(jī)或深度學(xué)習(xí)模型時，需要對其進(jìn)行 “訓(xùn)練”，這就要求對可能包含數(shù)十億個參數(shù)的數(shù)學(xué)矩陣方程進(jìn)行求解。進(jìn)行此種數(shù)學(xué)運算的最快方法是讓多組 GPU 在相同的工作負(fù)載上運行，即便如此，訓(xùn)練AI模型也可能需要數(shù)周甚至數(shù)月的時間。AI模型創(chuàng)建后，會被遷移到前端計算機(jī)系統(tǒng)，用戶可以向模型提問，這就是所謂的推理。

AI計算機(jī)集眾多GPU于一身

用于處理AI工作負(fù)載的最佳架構(gòu)是在一個機(jī)架中集成一組GPU, 并將其連接到機(jī)架頂部的交換機(jī)中。還可以有更多的 GPU 集成機(jī)架，按照網(wǎng)絡(luò)層次結(jié)構(gòu)連接所有 GPU。隨著所要解決的問題的復(fù)雜性增加，對 GPU 的需求也就越大，有些將要部署的解決方案可能會包含數(shù)千個 GPU 集群。這不難讓人聯(lián)想到數(shù)據(jù)中心里一排又一排密密麻麻的服務(wù)器機(jī)架，這種場景非常常見。

AI集群是一個小型網(wǎng)絡(luò)

在構(gòu)建AI集群時，有必要將更多GPU連接起來，這樣它們才能協(xié)同工作。而GPU之間的連接可以通過創(chuàng)建微型計算機(jī)網(wǎng)絡(luò)的方式來實現(xiàn)，讓GPU與GPU之間能夠互相發(fā)送和接收數(shù)據(jù)。

圖1：AI集群

圖1展示了一個AI集群，其中最下方的圓圈代表了GPU在執(zhí)行任務(wù)時的工作流程。將許多GPU連接到了機(jī)架頂部（ToR）的交換機(jī)。ToR 交換機(jī)還連接到了上圖頂部的骨干網(wǎng)絡(luò)中使用的交換機(jī)，這張圖充分描繪了需要集成眾多GPU時所采用的清晰網(wǎng)絡(luò)層次結(jié)構(gòu)。

AI部署的瓶頸在于網(wǎng)絡(luò)

去年秋天，在OCP（開放計算項目）全球峰會上，與會者重點討論了新一代AI基礎(chǔ)設(shè)施。其中，來自邁威爾科技的Loi Nguyen充分闡述了由此出現(xiàn)的一個關(guān)鍵問題：網(wǎng)絡(luò)已經(jīng)成為新的瓶頸。

GPU在解決數(shù)學(xué)問題或者處理工作負(fù)載方面非常有效。這些系統(tǒng)完成任務(wù)的最快方法是讓所有 GPU并行計算、協(xié)同工作來處理相同的工作負(fù)載。要做到這一點，GPU需要獲取它們即將處理的信息，并且它們彼此之間可以互相進(jìn)行通信。如果其中一個GPU沒有得到它所需的信息，或者需要更長的時間來輸出結(jié)果，那么所有其他GPU都必須等待，直到能夠一致協(xié)作來完成任務(wù)。

從技術(shù)角度來講，擁堵的網(wǎng)絡(luò)造成的數(shù)據(jù)包延遲或者數(shù)據(jù)包丟失可能會導(dǎo)致系統(tǒng)需要反復(fù)重新傳輸數(shù)據(jù)包，并顯著延長完成任務(wù)所需的時間。這意味著，可能會有價值數(shù)百萬或數(shù)千萬美元的 GPU閑置，從而影響最終的結(jié)果，當(dāng)然也可能會影響希望通過利用AI技術(shù)獲得商機(jī)的企業(yè)的上市時間。

測試是成功運行AI網(wǎng)絡(luò)的關(guān)鍵

為了高效運行AI集群，用戶需要確保GPU得到充分利用，這樣才能較早地完成學(xué)習(xí)模型的訓(xùn)練，并將其投入使用，實現(xiàn)投資回報最大化。這就需要對AI集群（圖2）的性能進(jìn)行測試和基準(zhǔn)測試。然而，這并不是一件輕而易舉的事兒，因為GPU和網(wǎng)絡(luò)架構(gòu)之間有著千絲萬縷的聯(lián)系和諸多設(shè)置，它們需要在架構(gòu)上實現(xiàn)互補(bǔ)，以滿足處理工作負(fù)載的需要。

圖2：AI數(shù)據(jù)中心測試平臺及如何測試AI數(shù)據(jù)中心集群

這給AI網(wǎng)絡(luò)帶來了諸多挑戰(zhàn)：

考慮到成本、設(shè)備的可用性、熟練的網(wǎng)絡(luò) AI 工程師的時間、空間、功率和熱量等因素的限制，很難在實驗室中復(fù)刻完整的工作網(wǎng)絡(luò)。

在工作系統(tǒng)上執(zhí)行測試會降低工作系統(tǒng)可用的處理能力。

由于工作負(fù)載的類型以及數(shù)據(jù)集的規(guī)模大小和范圍可能大不相同，因此所要研究的問題也會難以重現(xiàn)。

深入洞察GPU之間的集體通信也頗具挑戰(zhàn)性。

應(yīng)對上述挑戰(zhàn)的方法之一是，首先在實驗室環(huán)境中對所提出的設(shè)置的一個子集執(zhí)行測試，以便對JCT、整個AI集群所能達(dá)到的帶寬等關(guān)鍵參數(shù)進(jìn)行基準(zhǔn)測試，同時將這些參數(shù)與Fabric容量利用率以及內(nèi)存緩沖區(qū)消耗情況進(jìn)行比較。這種基準(zhǔn)測試有助于找到GPU/工作負(fù)載的分布與網(wǎng)絡(luò)設(shè)計/設(shè)置之間的平衡點。當(dāng)計算架構(gòu)和網(wǎng)絡(luò)工程師對結(jié)果比較滿意時，他們就能夠?qū)⑦@些設(shè)置應(yīng)用到執(zhí)行任務(wù)的工作系統(tǒng)中并且衡量新的結(jié)果是否理想。

小結(jié)

為了充分釋放AI的潛能，需要優(yōu)化AI網(wǎng)絡(luò)的設(shè)備和基礎(chǔ)架構(gòu)。企業(yè)的研究實驗室和學(xué)術(shù)機(jī)構(gòu)致力于對構(gòu)建和運行高效AI網(wǎng)絡(luò)所涉及的各個層面進(jìn)行分析，以解決在大型網(wǎng)絡(luò)上執(zhí)行任務(wù)所面臨的挑戰(zhàn)。尤其是在當(dāng)前行業(yè)最佳實踐正不斷發(fā)生變化的情況下，形勢更是如此。只有采用這種可以反復(fù)驗證、高度協(xié)作的方法，業(yè)界才能實現(xiàn)可重復(fù)的測試，并靈活地嘗試各種“假設(shè) ”場景，這是優(yōu)化AI網(wǎng)絡(luò)的基礎(chǔ)。

作者：是德科技產(chǎn)品營銷經(jīng)理 Linas Dauksa