超級(jí)以太網(wǎng)必將成為市場(chǎng)主流？

“2024年云網(wǎng)智聯(lián)大會(huì)”

中國(guó)電信集團(tuán)科技委主任韋樂(lè)平

在韋樂(lè)平看來(lái)，人工智能有三大要素，而大模型則可以分為三個(gè)層次；大模型的核心價(jià)值在于應(yīng)用，基礎(chǔ)大模型將會(huì)是一場(chǎng)慘烈的淘汰賽，未來(lái)三到五年，將可能會(huì)收斂到數(shù)家；在大模型應(yīng)用價(jià)值凸顯的當(dāng)下，小模型的作用也不容輕視。

《人工智能時(shí)代大模型的發(fā)展與思考》

韋樂(lè)平指出，大模型需要大算力，大算力需要大集群，大集群則需要大網(wǎng)絡(luò)。產(chǎn)業(yè)界不能把目光只停留在以GPU為代表的算力上，作為算力載體的智算中心，網(wǎng)絡(luò)同樣至關(guān)重要。

韋樂(lè)平強(qiáng)調(diào)，在智算中心網(wǎng)絡(luò)技術(shù)演進(jìn)路徑中，除了在當(dāng)前近乎壟斷的InfiniBand，以及在快速成長(zhǎng)的UEC（超以太網(wǎng)）以外，PCIe、CXL和芯片光互連技術(shù)一樣值得關(guān)注。韋樂(lè)平判斷，作為當(dāng)前性能最佳的聯(lián)網(wǎng)技術(shù)，InfiniBand雖然產(chǎn)業(yè)封閉且價(jià)格昂貴，但它仍將維系高端大模型訓(xùn)練市場(chǎng)的相當(dāng)份額；而隨著標(biāo)準(zhǔn)成熟與產(chǎn)品落地，擁有強(qiáng)大產(chǎn)業(yè)生態(tài)的UEC技術(shù)在性價(jià)比方面將逐漸趕超InfiniBand，預(yù)計(jì)到2027年成為市場(chǎng)主流。

AGI長(zhǎng)路漫漫：

客觀理性看待發(fā)展水平

對(duì)于人工智能的三大要素，韋樂(lè)平有著自己的觀點(diǎn)。

算力是人工智能的基礎(chǔ)，算力的載體是芯片，芯片水平?jīng)Q定了AI計(jì)算能力物理上限，關(guān)鍵是GPU及其應(yīng)用生態(tài)。高端芯片制程，特別是GPU及其應(yīng)用生態(tài)是我國(guó)AI發(fā)展的最大短板。

數(shù)據(jù)是人工智能的根本，數(shù)據(jù)要素是數(shù)字經(jīng)濟(jì)的核心生產(chǎn)要素和重要經(jīng)濟(jì)資源。數(shù)據(jù)的規(guī)模、質(zhì)量和治理體系決定了AI應(yīng)用的效果和質(zhì)量，數(shù)據(jù)的可用數(shù)量和質(zhì)量也同樣是短板。

算法是人工智能的靈魂。算力離開(kāi)了算法，只是一個(gè)巨大的高耗能電熱器，基于深度學(xué)習(xí)的高效智能算法是發(fā)揮算力作用，規(guī)避低效蠻力計(jì)算的必然方向。

與人工智能的三要素相對(duì)應(yīng)，韋樂(lè)平愿意將大模型分為三個(gè)層次：

第一層次是任務(wù)模型，模型就是應(yīng)用，比如圍棋、人臉識(shí)別等單一應(yīng)用，得益于數(shù)據(jù)量的優(yōu)勢(shì)，我國(guó)在此領(lǐng)域處于領(lǐng)先地位；第二層次是領(lǐng)域模型（行業(yè)模型），它能夠完成多領(lǐng)域諸多任務(wù)，開(kāi)發(fā)者只要在基礎(chǔ)大模型上根據(jù)具體任務(wù)做微調(diào)即可；第三層次是認(rèn)知模型AGI，即通用人工智能，能看、能聽(tīng)、能思考、能規(guī)劃，能真正實(shí)現(xiàn)類(lèi)人的智慧，而這長(zhǎng)路漫漫。

大模型應(yīng)用價(jià)值凸顯

小模型也不容輕視

韋樂(lè)平認(rèn)為，大模型具有三點(diǎn)基本特征。

首先是大算力、大參數(shù)、大數(shù)據(jù)、大智能。算力越大、參數(shù)越多、數(shù)據(jù)越多，智能就越高，越能解決復(fù)雜的任務(wù)。“行業(yè)模型，需要百億至千億的參數(shù)；基礎(chǔ)通用大模型，需要千億至萬(wàn)億參數(shù)；全球領(lǐng)先的基礎(chǔ)通用大模型，則需數(shù)萬(wàn)億至數(shù)十萬(wàn)億級(jí)的參數(shù)?！?/p>

其次是一定的通用性，起碼具備領(lǐng)域型模型特點(diǎn)，能完成多領(lǐng)域的諸多任務(wù)，非單一任務(wù)。

第三是神奇的涌現(xiàn)性。當(dāng)算力和模型參數(shù)足夠大，訓(xùn)練到一定程度后，能夠突然出現(xiàn)預(yù)料之外的某種能力，產(chǎn)生邏輯自恰的類(lèi)人語(yǔ)言表達(dá)，這種能力會(huì)達(dá)到乃至超過(guò)人類(lèi)某方面的智能。

韋樂(lè)平表示，大模型特別是認(rèn)知模型AGI，雖然應(yīng)用前景非常美好，但存在著高技術(shù)、高投入、高能耗、高風(fēng)險(xiǎn)。“未來(lái)三五年以后，世界上就五六個(gè)基礎(chǔ)大模型能活下來(lái)?！钡诖酥系男袠I(yè)大模型將層出不窮，行業(yè)應(yīng)用將成為各類(lèi)大模型真正體現(xiàn)價(jià)值和商業(yè)落地的地方。

韋樂(lè)平同時(shí)提醒，在大模型應(yīng)用價(jià)值凸顯的當(dāng)下，小模型的作用也不容輕視。因?yàn)榇竽Ｐ陀?xùn)練所需要的技術(shù)、算力、語(yǔ)料以及成本很高，卻通而不專，在面向具體運(yùn)行環(huán)境的適應(yīng)性和經(jīng)濟(jì)性方面，往往小模型更加實(shí)用，省錢(qián)、省力、省時(shí)間。

目前已經(jīng)有多種小模型產(chǎn)品問(wèn)世，從技術(shù)角度看，有兩大方向。一是知識(shí)蒸餾，主要對(duì)大模型進(jìn)行裁剪、優(yōu)化，使訓(xùn)練好的模型的體積和尺寸更小，成本更低、更適合具體部署環(huán)境的實(shí)際需求；其二是微型機(jī)器學(xué)習(xí)(TinyML)，該方向旨在低于1mw功耗下(如紐扣電池)運(yùn)行機(jī)器學(xué)習(xí)，在成本和功率受限系統(tǒng)中完成機(jī)器學(xué)習(xí)任務(wù)，是物聯(lián)網(wǎng)領(lǐng)域AI的主要方向之一。

大模型需要大網(wǎng)絡(luò)：

UEC必將成為市場(chǎng)主流

大模型的盡頭在哪？算力、能源？但在韋樂(lè)平看來(lái)，網(wǎng)絡(luò)的影響因素同樣難以評(píng)估。

韋樂(lè)平指出，大模型需要大算力，大算力需要大集群，當(dāng)前的數(shù)據(jù)中心很難滿足大集群算力的要求，一定要重新建設(shè)智算中心。以中國(guó)電信在上海投產(chǎn)的“臨港國(guó)產(chǎn)萬(wàn)卡算力池”為例，其投資規(guī)模超過(guò)20億，單機(jī)柜能耗達(dá)到了4.8萬(wàn)瓦，常規(guī)IDC很難滿足需求。

另外，主要由GPU服務(wù)器聯(lián)網(wǎng)構(gòu)成的智算中心需要完全不同的網(wǎng)絡(luò)架構(gòu)。當(dāng)大模型訓(xùn)練時(shí)，并行計(jì)算節(jié)點(diǎn)越多，通信效率越重要，智算網(wǎng)絡(luò)性能成為集群算力提升的關(guān)鍵?！爸撬阒行木W(wǎng)絡(luò)要求很特殊，需要高帶寬、零丟包、超低時(shí)延、高可用性，月級(jí)零故障?！?/p>

網(wǎng)絡(luò)技術(shù)角度，從目前情況來(lái)看，英偉達(dá)主導(dǎo)的InfiniBand是市場(chǎng)主流選擇，但I(xiàn)nfiniBand在產(chǎn)業(yè)開(kāi)發(fā)性、部署成本方面非常不友好。韋樂(lè)平認(rèn)為，增強(qiáng)無(wú)損以太網(wǎng)（例如超以太網(wǎng)UEC）將逐漸成為市場(chǎng)主流選擇，UEC通過(guò)重構(gòu)高擴(kuò)展、高穩(wěn)定、高可靠的以太網(wǎng)堆棧，有望在性價(jià)比方面媲美InfiniBand。

韋樂(lè)平看好UEC最重要原因還是生態(tài)?！爱a(chǎn)業(yè)鏈很重要，技術(shù)高低不一定；拿ATM跟以太網(wǎng)相比，ATM比以太網(wǎng)性能高多了，為什么不行？因?yàn)椋ㄒ蕴W(wǎng)）產(chǎn)業(yè)鏈比它大了幾十倍。”

當(dāng)然，除了InfiniBand和UEC，韋樂(lè)平還建議關(guān)注PCIe、芯片光互連和CXL等連接技術(shù)。PCIe可以為復(fù)雜的生成式人工智能擴(kuò)展距離、簡(jiǎn)化系統(tǒng)架構(gòu)、減少功耗；芯片光互連可以大幅提升計(jì)算集群的擴(kuò)展性(超100T)，且功耗很低，物理尺寸也更??；而CXL不僅可以繼續(xù)用來(lái)增大服務(wù)器的內(nèi)存規(guī)模，而且將越來(lái)越多的用來(lái)承擔(dān)生成式人工智能訓(xùn)練的加速器作用。

單集群、單體智算中心的算力總歸是有極限的，對(duì)于超大參數(shù)大模型訓(xùn)練而言，在大范圍內(nèi)由多個(gè)物理集群構(gòu)成一個(gè)超級(jí)邏輯集群進(jìn)行聯(lián)合訓(xùn)練，將會(huì)成為必然選擇。

也就是說(shuō)，如何解決不同集群間參數(shù)的傳遞和同步，以及大量數(shù)據(jù)跨群跨域跨云傳輸?shù)牟煌瑫r(shí)延導(dǎo)致的訓(xùn)練速度減慢的問(wèn)題。對(duì)此，韋樂(lè)平認(rèn)為，根據(jù)不同的訓(xùn)練任務(wù)和場(chǎng)景，可以采用數(shù)據(jù)并行、流水線并行、張量并行等多種不同策略，但這些都不能從根本上解決。“根本解決還要依靠空芯光纖，直接在物理層將時(shí)延降低33%?！?/strong>