新华三通用大模型算力底座方案：为AI时代注入强大动力

在人工智能技术日新月异的今天，大模型作为推动AI进步的重要驱动力，是百行百业不断追逐的热点。大模型以其强大的泛化能力、卓越的模型效果和广泛的应用场景，正改变着人工智能的未来。作为国内领先的ICT解决方案提供商，新华三集团凭借其在算力服务器、无损网络、高性能存储和算力调度平台等领域的丰富经验和技术实力，推出了新华三通用大模型算力底座方案，旨在为AI时代注入强大动力。

大模型发展的机遇与挑战

大模型是指具有大量参数的机器学习模型，不同领域内，大模型的参数量级有所不同：自然语言（NLP）类模型，普遍认为超过50亿（5B）参数才算是大模型；而要达到与ChatGPT相仿的能力一般需千亿规模（100B）参数，例如我们常提到的GPT-3（175B）就属于生成式语言模型；而计算机视觉（CV）类模型，目前50亿（5B）参数的就属于大模型级别了。

大模型的优势在于其强大的泛化能力，通过在海量数据上进行预训练使得大模型能够学习到大量通用知识、捕捉到更多细节，这使得大模型在面临新的任务时，只需要进行微调就能迅速适应，从而在具体任务中取得更好的表现；同时，大模型还具有广泛的应用场景，从文本生成、机器翻译到图像识别、语音识别，大模型都能发挥重要作用。

大模型关键技术支撑

大模型业务分为预训练、微调、推理三个主要阶段，每个阶段具体内容如下图所示：

大模型训练技术简述：

一、并行策略选择：

大模型多机并行训练时，大部分会用到模型并行和数据并行策略，少部分会用到专家并行策略；模型并行又分为张量并行和流水线并行，以下仅对常用的三种并行策略进行简要说明：

1、张量并行：

将模型进行层内切分，每张GPU保存模型同一层的部分参数，所有GPU共享同一批数据；模型参数进行层内切分后部署不同的设备，在前向和反向过程中都需要接收其他设备产生的结果（点对点Send/Recv），同时每 个设备的梯度同样需要聚合后再分发给各个设备进行模型参数更新（AllReduce）；通信量与模型规模正相关，单卡可达10GB+，一个Step一次通信。

2、流水线并行：

将模型进行层间切分，每张GPU保存模型的部分层，同时将Mini Batch划分为若干Micro Batch传入流水线；通过层间切分位置（边界层）点对点Send/Recv同步激活与梯度，正向传激活，反向传梯度；通信量与层间交互相关，一般在MB级别，一Step几十次通信。

3、数据并行：

相同的模型分布在不同的GPU/计算节点/计算集群上，对数据集进行切分后并行计算；训练时每台设备负责处理不同的mini-batch，由此会产生不同的梯度，系统会将不同设备产生的梯度聚合到一起，计算均值， 再分发给各个设备进行模型参数更新，通信开销主要来源于梯度的聚合和分发，Allreduce同步矩阵乘结果；通信量与batchsize有关，矩阵可达GB级别，一个Step几十次通信。

二、多机训练过程简述：

如下图所示，每个计算POD之间是数据并行，每个POD内部，单台机器内部是张量并行，多台机器之间是流水线并行，下面的示意图是进行一轮Epoch训练的过程。

第一步，数据并行：数据集按照POD数量拆分后作为样本输入，并行传入到多个模型副本当中。

第二步，张量并行：切分后的每份模型，在第一台机器内部，按照多张GPU执行顺序进行张量并行计算，期间进行多次数据集合运算。

第三步，流水线并行：第一台机器内部的GPU计算完成后通过流水线并行传输到第二台机器的GPU当中，传输的数据为上一台GPU计算的结果（实际会更复杂）。

第四步，重复进行张量并行和流水线并行，直到单一计算POD内的最后一台GPU服务器完成了数据集合运算。

第五步，权重同步：所有计算POD内的多个模型副本在完成一轮Epoch计算后，采用数据并行进行一次全量的权重同步，之后开始进行下一轮Epoch训练，直到收敛为止。

大模型推理技术简述：

如上图所示，推理服务经程序封装后可看作是需要GPU运行的应用程序，推理服务不持久化数据，所以服务可重入，若需要对推理结果进行沉淀，需要用大数据的手段在服务之外进行API分流监控；由于应用程序无状态，可进行应用程序的负载均衡，以提升推理的并发能力，此部分和普通应用相同；基础设施故障后，应用可以根据策略迁移到其他设备上，但GPU的类型和型号需要和原环境保持一致；若容器形式部署，可以像微服务应用程序一样进行业务层面的编排；若为虚拟机，则可以用基于云上的业务编排系统进行业务编排。

综上对训练和推理技术的分析，可以得出，大模型是一个复杂的系统工程，从数据采集开始，最后到提供相应的大模型服务，落地一个垂直领域的大模型不仅需要高效算法，更需要全面的业务规划和基础设施规划，才能保证大模型高效部署落地。

当今大模型的发展也面临着如下挑战：

算力层面：受限于部分GPU供应问题，替代方案性能无法延续原有技术方案；此外，众多的GPU卡型号导致测试标准不统一、主机厂商适配进度不一、交付周期不定等问题。

存力层面：需要大模型场景专用存储；提供更高的存储读、写带宽及IOPS；具备良好的扩展性；拥有灵活的数据保护策略。

运力层面：具备高带宽、低延时特性；支持RDMA或RoCE通信协议；可实现快速部署、便捷调优；达到可视化运维、快速定位问题所在。

管理平台：面向大模型业务的专业调度管理平台；多元算力可快速适配、全面纳管；具备大模型全生命周期服务能力；具有完善的运维功能。

总之，大模型是一个复杂的系统工程，从数据采集开始，最后到提供相应的大模型服务，落地一个垂直领域的大模型不仅需要高效算法，更需要全面的业务规划和算力底座规划，才能保证大模型高效部署落地。

新华三算力底座解决方案

面对上述挑战和需求，新华三集团凭借在做的丰富经验和技术实力，推出了新华三通用大模型算力底座方案。该方案可以帮助用户从无到有建设一个私域的大模型算力底座集群，助力垂直行业大模型加速落地。

新华三通用大模型算力底座方案架构图：

算力解决之道：

新华三秉承多元算力发展理念，采用与NVIDIA高端卡性能接近的国产化加速卡或满足合规要求的Intel或AMD GPU卡；并与多家GPU卡厂商深度合作，基于不同厂商优势特性，形成算力芯片评测标准，以客户不同算力需求为导向匹配最优选择，并自建适配标准、实现快速交付，形成多元高效的算力体系。

存力解决之道：

新华三针对大模型场景，推出专用CX系列存储；单节点20GB/s+带宽、30万IOPS；轻松扩展至PB级可用容量，性能线性增加；数据保护采用多副本或纠删码，供用户按需选择。

运力解决之道：

新华三SeerFabric或Infiniband满足高带宽、低延时要求；提供优化后的RoCE或原生RDMA通信协议；一键自动化部署、动态闭环调优；网络可视化、智能分析，让运维更高效。

管理解决之道：

新华三自研大模型场景专用管理平台，傲飞算力平台；自研GPU通用适配框架，适配周期缩短至2周以内；内置大模型全栈工作流，助力AI业务探究；监控、告警全面直观，让运维更轻松。

AI时代，“算力即生产力”，新华三集团依托“AI in ALL”技术战略，为AI时代的大模型应用提供了全方位的支持。未来，新华三集团将继续秉持“精耕务实，为时代赋智慧”的理念，持续升级产品及解决方案，充分发挥“算力×联接”的倍增效应，持续进化通用大模型算力底座方案，加速百行百业拥抱AI技术的美好未来。