瞄準五大方向持續(xù)攻關，構建AI網(wǎng)絡底座
2024-08-29 22:14:45 Linas Dauksa，是德科技產(chǎn)品營銷經(jīng)理如果企業(yè)擁有數(shù)據(jù)中心，需要關注的是人工智能（AI）技術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，這項新技術都有望加速和改善許多企業(yè)的業(yè)務模式。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AI網(wǎng)絡如何工作以及該技術面臨的獨特挑戰(zhàn)等五個方面的基本問題。
簡單來說，AI計算機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）是計算機的大腦。GPU 的優(yōu)勢在于，它是一個擅長進行數(shù)學計算的 CPU。當創(chuàng)建AI計算機或深度學習模型時，需要對其進行 “訓練”，這就要求對可能包含數(shù)十億個參數(shù)的數(shù)學矩陣方程進行求解。進行此種數(shù)學運算的最快方法是讓多組 GPU 在相同的工作負載上運行，即便如此，訓練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系統(tǒng)，用戶可以向模型提問，這就是所謂的推理。
用于處理AI工作負載的最佳架構是在一個機架中集成一組GPU, 并將其連接到機架頂部的交換機中。還可以有更多的 GPU 集成機架，按照網(wǎng)絡層次結構連接所有 GPU。隨著所要解決的問題的復雜性增加，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器機架，這種場景非常常見。
AI集群是一個小型網(wǎng)絡
在構建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)建微型計算機網(wǎng)絡的方式來實現(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)行任務時的工作流程。將許多GPU連接到了機架頂部（ToR）的交換機。ToR 交換機還連接到了上圖頂部的骨干網(wǎng)絡中使用的交換機，這張圖充分描繪了需要集成眾多GPU時所采用的清晰網(wǎng)絡層次結構。
AI部署的瓶頸在于網(wǎng)絡
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基礎設施。其中，來自邁威爾科技的Loi Nguyen充分闡述了由此出現(xiàn)的一個關鍵問題：網(wǎng)絡已經(jīng)成為新的瓶頸。
GPU在解決數(shù)學問題或者處理工作負載方面非常有效。這些系統(tǒng)完成任務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。
從技術角度來講，擁堵的網(wǎng)絡造成的數(shù)據(jù)包延遲或者數(shù)據(jù)包丟失可能會導致系統(tǒng)需要反復重新傳輸數(shù)據(jù)包，并顯著延長完成任務所需的時間。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，從而影響最終的結果，當然也可能會影響希望通過利用AI技術獲得商機的企業(yè)的上市時間。
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習模型的訓練，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）的性能進行測試和基準測試。然而，這并不是一件輕而易舉的事兒，因為GPU和網(wǎng)絡架構之間有著千絲萬縷的聯(lián)系和諸多設置，它們需要在架構上實現(xiàn)互補，以滿足處理工作負載的需要。
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)絡帶來了諸多挑戰(zhàn)：
- 考慮到成本、設備的可用性、熟練的網(wǎng)絡 AI 工程師的時間、空間、功率和熱量等因素的限制，很難在實驗室中復刻完整的工作網(wǎng)絡。
- 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)境中對所提出的設置的一個子集執(zhí)行測試，以便對JCT、整個AI集群所能達到的帶寬等關鍵參數(shù)進行基準測試，同時將這些參數(shù)與Fabric容量利用率以及內存緩沖區(qū)消耗情況進行比較。這種基準測試有助于找到GPU/工作負載的分布與網(wǎng)絡設計/設置之間的平衡點。當計算架構和網(wǎng)絡工程師對結果比較滿意時，他們就能夠將這些設置應用到執(zhí)行任務的工作系統(tǒng)中并且衡量新的結果是否理想。
小結
為了充分釋放AI的潛能，需要優(yōu)化AI網(wǎng)絡的設備和基礎架構。企業(yè)的研究實驗室和學術機構致力于對構建和運行高效AI網(wǎng)絡所涉及的各個層面進行分析，以解決在大型網(wǎng)絡上執(zhí)行任務所面臨的挑戰(zhàn)。尤其是在當前行業(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驗證、高度協(xié)作的方法，業(yè)界才能實現(xiàn)可重復的測試，并靈活地嘗試各種“假設 ”場景，這是優(yōu)化AI網(wǎng)絡的基礎。
關于作者
Linas Dauksa，是德科技產(chǎn)品營銷經(jīng)理
EETOP 官方微信
創(chuàng)芯大講堂 在線教育
半導體創(chuàng)芯網(wǎng) 快訊
相關文章
