大规模AI智能计算的算力背景和挑战

深度在领域的突破性进展，推动社会经济生活步入了智能的大计算时代，算力需求呈现了爆炸式增长。然而，智能计算业务的计算模型和通信模型，与处理/高性能计算业务存在显著差异，传统基础设施无法为高速发展的 智能计算业务提供有效的算力保障。因此，AI集群架构设计亟须结合智能计算业务的特征，通过软硬件一体化设计，实现智能算力从基础设施到业务算法的无损传递。阿里巴巴的EFLOPS AI计算集群硬件设计，它孵化自阿里巴巴丰富多样的业务实践，在提供高效算力的同时兼备应用普适性。

目前，人工智能已经渗透到教育、交通、能源、气象等众多传统行业，在互联网领域更是得到了广泛的应用。以淘宝为例，该网站的商品搜索、智能客服、个性化推荐等功能，每天涉及10亿张图片、120万小时视频、55万小时语音和5000亿句，背后都是以和 AI为代表的智能 计算在支撑，全面覆盖了视觉、和点击率预估模型（Click-Through Rate，CTR）等典型人工智能应用领域。

随着在图像等领域的成功应用，以此为基础的深度学习算法也迅猛发展。为了获得更好的识别准确率，的模型和相关的 训练数据集急剧增长，复杂大模型训练的时间也开 始以“星期”甚至“月”为单位计量，阿里巴巴的众多AI业务模型开始进入大模型时代。例如，拍立淘增量训练的数据集一般为2亿张图片，使用一个英伟达Volta 100 GPU（峰值 Tensorcore，算力112 TFlops）进行训练需要一周时间；而从零开始训练需要10亿张图片，需要1.5个月才能完成，这种训练速度远远满足不了业务快速迭代的需求。为了缩短训练时间，构建分布式AI训练集群以实现系统性能的横向扩展成为必然选择，谷歌的TPU集群就是类似系统。

由于深度学习与/高性能业务有着不同 的计算模型和通信模型，因此采用传统的集群架构将面临严重的通信瓶颈，导致系统扩展性急剧下降。传统处理业务，例如Hadoop任务，其子任务独立性强，处理流程以流式或单向图为主。整体系统呈现通量计算特征，即以单位时间完成的任务数为重要指标。而AI业务则是高性能计算负载，下一次计算任务的启动依赖于上一次计算的完成，因此其重要指标是单任务的完成时间，需要极致的计算性能，因此高性能的加速器（例如GPU）被广泛应用在AI系统中。而加速器的规模使用，给通信模型带来了新的挑战，传统的通信模式从原有的CPU间通信转向CPU与加速器间通信。如果仍然沿用原有以CPU为中心的通信架构，势必会引入复杂的通信层次和数据拷贝，造成极低的通信效率。随着加速器性能的不断提升，计算部分时间占比不断缩短，进而使得通信的瓶颈问题愈加凸显，极大制约了系统性能的线性扩展性能。

因此，算力绝不是一个简单的计算芯片堆叠，而是突破服务器界限在集群尺度开展计算、网络、存储协同设计的结果，而最佳的协同设计则依赖对AI真实负载特征的充分理解。真实的AI计算任务 包含数据集的读入/预处理、模型计算、梯度同步等多个环节，全面涉及集群系统的数据IO、通用/异构计算、等组件。实际上，量AI业务的运行效率受限于通信和数据IO性能，而非计算，因此单纯增加异构计算部件的性能对系统整体性能的帮助不大。要全面提升AI业务执行效率，首先需要对AI业务有充分的理解，在硬件层面平衡系统通用/异构计算资源的配比，协调计算/IO/通信的性能，与软件系统深度协同设计，才能充分发挥算力资源的效率。