1470
在昨日举行的“2022 百度云智峰会·智算峰会”上，NVIDIA解决方案工程中心高级技术经理路川分享了以“应用驱动的数据中心计算架构演进”为题的演讲，探讨GPU数据中心的发展趋势，以及介绍NVIDIA在构建以GPU为基础的数据中心架构方面的实践经验。以下为内容概要。
应用对算力需求的不断增长，以GPU为核心的分布式计算系统已经成为大模型应用重要的一环
数据中心的发展是由应用驱动的。随着AI的兴起、普及，AI大模型训练在各领域的逐步应用，人们对数据中心的GPU算力、GPU集群的需求在飞速增长。传统的以CPU为基础的数据中心架构，已很难满足AI应用的发展需求，NVIDIA也一直在探索如何构建一个高效的以GPU为基础的数据中心架构。
我将从三个方面跟大家一起探讨这个话题：一，应用驱动；二，NVIDIA最新一代GPU SuperPOD的架构设计；三，未来GPU数据中心、GPU集群的发展趋势 。
我们首先看下近几年AI应用的发展趋势。总体上来讲，应用业务对计算的需求是不断飞速增长。我们以目前最流行的三个业务方向为例说明。
第一个应用场景，AI应用。我们可以从最左边的图表中可以看到，近10年CV 和 NLP模型的变化，这两类业务场景是AI领域最流行、最成功，也是应用范围最为广泛的场景。在图表中我们可以看到，CV从2012年的AlexNet 到最新的wav2vec，模型对计算的需求增长了1,000倍。
NLP模型在引入Transformer 结构后，模型规模呈指数级增长，Transformer已成为大模型、大算力的代名词。目前CV类的应用也逐步引入Transformer结构来构建相关的AI模型，不断提升应用性能。数据显示在最近两年内关于Transformer AI模型的论文增长了150倍，而非Transformer结构的AI模型相关论文增长了大概8倍。
我们可以看到人们越来越意识到大模型在AI领域的重要性，和对应用带来的收益。同时大模型也意味着算力的需求的增长，以及对数据中心计算集群需求的增长。
第二个应用场景，数字孪生、虚拟人等模拟场景与AI的结合也是最近两年的应用热点。人们通过数字孪生、虚拟人可以更好地对企业生产流程进行管控，线上虚拟交互有更好的体验，这背后都需要要巨大的算力资源来满足渲染、实时交互等功能。
第三个应用场景，量子计算，也是最近几年我们计算热点的技术。量子计算是利用量子力学，可以比传统的计算机更快地解决复杂的问题。量子计算机的发展还处在非常前期的阶段，相关的量子算法的研究和应用也需要大量的算力做模拟支撑。
前面我们提到了AI大模型的业务应用，为什么要用到大模型，大模型可以给我们带来什么样的收益？
在右图中我们可以看到1.5B GPT-2 和MT-NLG在150B-270B不同参数规模下对应用精度的影响。
我们可以清楚地看到大模型对应用精度的效果，尤其是对复杂、泛化的业务场景的表现尤为突出。同时大模型在预测（inference）端正在快速发展，优化特定场景、特定行业的性能，优化预测端计算资源使用等，相信在不久的将来会有更多像ChatGPT一样令人惊叹的应用在行业落地。这都将会推动大模型基础研究，推动对训练大模型所需算力的建设。一个以GPU为基础的分布式计算系统也是大模型应用所必须的。
AI大模型训练为什么要用到GPU集群，用到更大规模的GPU？它能给我们的训练带来什么样的收益？这边我们用两个实际的例子作为参考。
一个应用是BERT 340M 参数规模，使用Selene A100 SuperPOD集群，训练完成则需要0.2分钟，在使用1/2个集群规模，训练完成需要0.4分钟，使用1/4个集群规模下训练完成则需要0.7分钟。我们可以看到在小参数规模下，使用几十台DGX A100也可以快速完成整个训练任务，对于整个训练的迭代影响并不大。
另一个是Megatron 530B参数规模的NLP大模型，训练这个530B参数的大模型，使用整个Selene SuperPOD集群资源则需要3.5周、近一个月的时间才能完成，而使用1/2、1/4集群节点规模的情况下，则需要数月的训练时间才能完成整个训练，这对于大模型研发人员来说是不可接受的。另外研发人员的时间成本是非常宝贵的，研究到产品化的时间也是非常关键的，我们不可能把时间浪费在训练等待上。
在管理层面，构建一个GPU集群，通过集群的作业调度和管理系统，可以优化调度各种类型、各种需求的GPU任务，使用集群的GPU资源，以最大化利用GPU集群。在Facebook的一篇论文中提到，通过作业调度管理系统，Facebook AI超级计算系统上每天可以承载3.5万个独立的训练任务。
因此，GPU规模和集群管理对于提升分布式任务的运行效率非常关键。
集群的最关键的地方就是通信，集群任务的调试优化重点也是在使用各种并行方式优化通信策略。在GPU集群中，通信主要分为两个部分，一个是节点内通信，一个是节点间通信。
在左图中我们可以看到节点间通信NVLink对于它的重要性。图中示例使用tensor 并行的方式，在节点间分别采用NVLink和采用PCIe 4.0进行通信的对比，我们可以看到，NVLink环境下程序的通信时间仅需70ms（毫秒），而PCIe环境下通信时间则需要656ms，当用多个节点组成的集群环境下差距会更加明显。
在右图中，我们使用7.5B 的AI模型，采用TPS=4，PPS=1，数据并行DPS=64的情况下，在32个集群的节点规模下，不同网卡对分布式训练任务的影响。紫色部分代表了通信占比，绿色代表计算时间占比。我们可以清晰地看到网卡数量、网络带宽对分布式应用的性能的影响。
GPU集群应用于AI训练也是最近几年才逐步在客户中开始应用。在AI发展的早期，模型较小，大部分采单机多卡或是多机数据并行的方式进行训练，所以对GPU集群的要求并不是很高。2018年11月，NVIDIA第一次推出基于DGX-2的SuperPOD架构，也是看到AI发展的趋势，看到了AI应用对GPU分布式集群在AI训练中的需求。
SuperPOD的架构也在不断地演进和优化。通过NVIDIA实战经验和性能优化验证，SuperPOD可以帮助客户迅速构建起属于自己的高性能GPU分布式集群。
NVIDIA最新一代Hopper GPU架构下SuperPod的集群拓扑
下面我来简单介绍下，最新一代Hopper GPU架构下SuperPOD的集群拓扑。
计算节点采用Hopper最新的GPU，相比较与Ampere GPU性能提升2~3倍。计算性能的提升需要更强的网络带宽来支撑，所以外部的网络也由原来的200Gb升级为400Gb，400Gb的网络交换机可以最多支撑到64个400Gb网口，所以每个计算POD由原来的20个变为32个。更高的计算密度，在一个POD内GPU直接的通信效率要更高。
NDR Infiniband 网络、AR、SHARP、SHIELD等新的特性，在路由交换效率、聚合通信加速、网络稳定性等方面有了进一步的提升，可以更好的支持分布式大规模GPU集群计算性能和稳定性。在存储和管理网络方面，增加了智能网卡的支持，可以提供更多的管理功能，适应不同客户的需求。
未来数据中心GPU集群架构的发展趋势：计算、互联、软件
下面，站在NVIDIA的角度，我们再来探讨一下，未来数据中心GPU集群的架构发展趋势。整个GPU的集群主要有三个关键因素，分别是：计算、互联和软件。
一，计算。集群的架构设计中，单节点计算性能越高，越有优势，所以在GPU选择上我们会采用最新的GPU架构，这样会带来更强的GPU算力。
在未来两年，Hopper将成为GPU分布式计算集群的主力GPU。Hopper GPU我相信大家已经很了解，相关特性我在这就不在赘述。我只强调一个功能，Transformer引擎。
在上文应用的发展趋势里，我们也提到了以Transformer为基础的AI大模型的研究。Transformer 也是大模型分布式计算的代名词，在Hopper架构里新增加了Transformer 引擎，就是专门为Transformer结构而设计的GPU加速单元，这会极大地加速基于Transformer结构的大模型训练效率。
二，互联。GPU是CPU的加速器，集群计算的另外一个重要组成部分是CPU。NVIDIA会在2023年发布基于Arm 72核、专为高性能设计的Grace CPU，配置500GB/s LPDDR5X 内存，900GB/s NVLink, 可以跟GPU更好地配合，输出强大的计算性能。
基于Grace CPU，会有两种形态的超级芯片，一是Grace+Hopper，二是Grace+Grace。
Grace+Hopper，我们知道GPU作为CPU加速器，并不是所有应用任务都适用于GPU来加速，其中很关键的一个点就是GPU和CPU之间的存储带宽的瓶颈，Grace+Hopper超级芯片就是解决此类问题。
在Grace Hopper超级芯片架构下，GPU可以通过高速的NVLink直接访问到CPU显存。对于大模型计算，更多应用迁移到GPU上加速都有极大的帮助。
Grace+Grace ，是在一个模组上可以提供高达144 CPU核，1 TB/s LPDDR5X的高速存储，给集群节点提供了强劲的单节点的CPU计算性能，从而提升整个集群效率。
之前我们所熟知的NVLink，都是应用在节点内GPU和GPU之间的互联。在Grace Hopper集群下，NVLink可以做到节点之间互联，这样节点之间GPU-GPU，或GPU-CPU，或CPU-CPU之间，都可以通过高速的NVLink进行互联，可以更高效地完成大模型的分布式计算。
在未来也许我们可以看到更多业务应用迁移到Grace+Hopper架构下，节点之间的NVLlink高速互联也许会成为一个趋势，更好地支持GPU分布式计算。
智能网卡在集群中的应用，首先智能网卡技术并不是一个新的技术，各家也有各家的方案，传统上我们可以利用智能网卡把云业务场景下的Hypervisor管理、网络功能、存储功能等卸载到智能网卡上进行处理，这样可以给云客户提供一个云生的计算资源环境。NVIDIA智能网卡跟百度也有很深的合作，包括GPU集群裸金属方案也都配置了NVIDIA智能网卡进行管理。
在非GPU的业务场景下，我们看到智能网卡对HPC应用业务的加速，主要是在分子动力学，气象和信号处理应用上，通过对集群中聚合通信的卸载，我们可以看到应用可以获得20%以上的收益。智能网卡技术也在不断更新、升级，业务场景也在不断探索。相信在未来的GPU集群上会有更多的业务或优化加速可以使用到智能网卡技术。
三，软件。数据中心基础设施是基础底座，如何能够更高效、快速、方便地应用到基础架构变革所带来的优势，软件生态的不断完善和优化是关键。
针对不同的业务场景，NVIDIA提供了SuperPOD、OVX 等数据中心基础设施的参考架构，可以帮助用户构建最优的数据中心基础设施架构。
上层提供了各种软件加速库，如cuQuantum 可以帮助客户直接在GPU集群上模拟量子算法计算，Magnum IO用来加速数据中心GPU集群和存储系统的访存IO效率，提升整个集群计算效率。
在未来会有更多的软件工具、行业SDK，来支撑数据中心架构的使用，让各领域的研发人员不需要了解底层细节，更加方便、快速地使用到数据中心GPU集群的的最优性能。
