21世纪经济报道记者白杨 北京报道
(资料图)
随着AI大模型参数量从亿级飙升到万亿级，人们对于支撑大模型训练的超大规模算力也越发关注。而谈及算力，GPU自然是核心话题，但是，GPU也不是唯一。
因为大模型庞大的训练任务，需要由大量GPU服务器组成的算力集群来提供算力，而这些服务器之间要通过网络连接，进行海量数据交换。有数据显示，算力集群每次计算背后，服务器间的同步通信量会高达百GB。
所以单个GPU的性能再强，如果网络性能跟不上，那整个算力集群的计算能力也会大打折扣。因此，大集群不等于大算力，相反，GPU集群越大，产生的额外通信损耗越多。
据悉，千亿、万亿参数规模的大模型，训练过程中通信占比最大可达50%，传统低速网络的带宽远远无法支撑。同时，传统网络协议容易导致网络拥塞、高延时和丢包，而仅0.1%的网络丢包就可能导致50%的算力损失，最终造成算力资源的严重浪费。
这也进一步说明，大模型发展是典型的木桶效应，任何一块短板，都会影响整体的性能。而大带宽、高利用率、信息无损，则是AI大模型时代网络能力面临的核心挑战。
针对网络能力，6月26日，腾讯云首次对外完整披露了其自研的星脉高性能计算网络。据介绍，星脉网络具备3.2T通信带宽，能提升40%的GPU利用率，节省30%~60%的模型训练成本，为AI大模型带来10倍通信性能提升。基于腾讯云新一代算力集群HCC，可支持10万卡的超大计算规模。
腾讯云副总裁王亚晨表示，星脉网络在交换机、通信协议、通信库以及运营系统等方面，进行了软硬一体的升级和创新，是为大模型而生的网络架构。
其中在硬件方面，星脉网络基于腾讯的网络研发平台，采用全自研设备构建互联底座，可实现自动化部署和配置；在软件方面，腾讯云自研的TiTa网络协议，能够实时监测并调整网络拥塞，满足大量服务器节点之间的通信需求，使集群通信效率达90%以上。
此外，腾讯云还为星脉网络设计了高性能集合通信库TCCL，通过融入定制化解决方案，使系统实现了微秒级感知网络质量。结合动态调度机制合理分配通信通道，可以避免因网络问题导致的训练中断等问题，让通信时延降低40%。
王亚晨表示，网络的可用性，也决定了整个集群的计算稳定性。为确保星脉网络的高可用，腾讯云自研了端到端的全栈网络运营系统，通过端网立体化监控与智能定位系统，让整体故障的排查时间由天级降低至分钟级。同时，大模型训练系统的整体部署时间也从19天缩减至4.5天。
在AI大模型的推动下，网络技术正在加速演进。而腾讯云星脉网络背后，也是腾讯过去三代网络技术演进的成果。
在腾讯发展初期，数据中心网络流量主要由用户访问数据中心服务器的南北向流量构成，网络架构以接入、汇聚、出口为主。这一阶段主要使用了商用网络设备，搭建标准化数据中心网络，支撑QQ在线人数增长超过1亿，服务器规模增长超10万。
随着大数据和云计算的兴起，服务器之间的东西向流量逐渐增多，云租户对网络产生了虚拟化和隔离的要求。数据中心网络架构逐渐演变为同时承载南北向和东西向流量的云网络架构，腾讯云开始构建全自研网络设备与管理系统，打造超大规模数据中心网络，服务器规模近200万台。
而随着AI大模型的出现，腾讯云推出的星脉网络，采用了东西向、南北向流量的分离架构，并构建了独立的超大带宽、符合AI训练流量特征的网络架构，配合自研软硬件设施，实现整套系统的自主可控，也能满足超强算力对网络性能的新需求。
据悉，腾讯云此前发布的新一代HCC高性能计算集群，正是基于星脉网络打造，可以实现3.2T超高互联带宽，算力性能较前代提升了3倍。
