ChatGPT紅遍網(wǎng)絡，其背后的AI模型訓練也廣受關注。IBM研究部門日前宣布，其開發(fā)的云原生超級計算機Vela可以快速部署并用于訓練基礎AI模型。自2022年5月以來，該公司數(shù)十名研究人員一直在使用這款超級計算機訓練具有數(shù)百億參數(shù)的AI模型。 

基礎模型是基于大量未標記數(shù)據(jù)訓練的AI模型，它們的通用性意味著只需微調(diào)就可以用于一系列不同的任務。它們的規(guī)模非常龐大，需要大量且成本高昂的計算能力。因此正如專家表示，計算能力將成為開發(fā)下一代大規(guī)模基礎模型的最大瓶頸，訓練它們需要花費大量算力和時間。

訓練可以運行數(shù)百億個或數(shù)千億個參數(shù)的模型，需要采用高性能的計算硬件，包括網(wǎng)絡、并行文件系統(tǒng)和裸機節(jié)點等。這些硬件很難部署，運行成本也很高。微軟于2020年5月為OpenAI建造了AI超級計算機，并托管在Azure云平臺中。但IBM表示，它們是由硬件驅(qū)動的，這增加了成本，并限制了靈活性。

云端AI超級計算機

因此，IBM創(chuàng)建了名為Vela的“專門專注于大規(guī)模AI”的系統(tǒng)。 

Vela可以根據(jù)需要部署到IBM的任何一個云數(shù)據(jù)中心中，它本身就是一個“虛擬云”。與構建物理的超級計算機相比，雖然這種方法在計算能力方面有所下降，但創(chuàng)造了一個更靈活的解決方案。云計算解決方案通過API接口為工程師提供資源，更方便地訪問廣泛的IBM云生態(tài)系統(tǒng)以進行更深入的集成，并能夠根據(jù)需要擴展性能。 

IBM工程師解釋說，Vela能夠訪問IBM云對象存儲上的數(shù)據(jù)集，而不是構建自定義存儲后端。以往這些基礎設施必須單獨構建到超級計算機中。 

任何AI超級計算機的關鍵組成部分都是大量的GPU以及連接它們的節(jié)點。Vela其實是將每個節(jié)點配置為虛擬機（而不是裸機），這是最常見的方法，也被廣泛認為是AI訓練最理想的方法。 

Vela是如何構建的？ 

云端虛擬計算機的弊病之一是性能不能保證。為了解決性能下降問題，并在虛擬機內(nèi)部提供裸機性能，IBM工程師找到了一種釋放全部節(jié)點性能（包括GPU、CPU、網(wǎng)絡和存儲），并將負載損耗降低到5%以下的方法。

這涉及到為虛擬化配置裸機主機，支持虛擬機擴展、大型頁面和單根IO虛擬化，以及真實地表示虛擬機內(nèi)的所有設備和連接；還包括網(wǎng)卡與CPU和GPU匹配，以及它們彼此之間如何橋接起來。完成這些工作后，他們發(fā)現(xiàn)虛擬機節(jié)點的性能“接近裸機”。

此外，他們還致力于設計具有大型GPU內(nèi)存和大量本地存儲的AI節(jié)點，用于緩存AI訓練數(shù)據(jù)、模型和成品。在使用PyTorch的測試中，他們發(fā)現(xiàn)通過優(yōu)化工作負載通信模式，與超級計算中使用的類似Infiniband的更快的網(wǎng)絡相比，他們還能夠彌補以太網(wǎng)網(wǎng)絡相對較慢的瓶頸。

配置方面，每個Vela都采用了8個80GB A100 GPU、兩個第二代Intel Xeon可擴展處理器、1.5TB內(nèi)存和四個3.2TB NVMe硬盤驅(qū)動器，并能夠以任何規(guī)模部署到IBM在全球的任何一個云數(shù)據(jù)中心。

IBM的工程師表示：“擁有合適的工具和基礎設施是提高研發(fā)效率的關鍵因素。許多團隊選擇遵循為AI構建傳統(tǒng)超級計算機的可靠路徑……我們一直在研究一種更好的解決方案，以提供高性能計算和高端用戶生產(chǎn)力的雙重好處。”