【導(dǎo)讀】ChatGPT背后，是微軟超級(jí)昂貴的超級(jí)計(jì)算機(jī)，耗資數(shù)億美元，用了英偉達(dá)數(shù)萬顆芯片。

ChatGPT能成為如今火遍全球的頂流模型，少不了背后超強(qiáng)的算力。

數(shù)據(jù)顯示，ChatGPT的總算力消耗約為3640PF-days（即假如每秒計(jì)算一千萬億次，需要計(jì)算3640天）。

那么，作為依托的那臺(tái)微軟專為OpenAI打造的超級(jí)計(jì)算機(jī)，又是如何誕生的呢？

周一，微軟在官博上連發(fā)兩文，親自解密這臺(tái)超級(jí)昂貴的超級(jí)計(jì)算機(jī)，以及Azure的重磅升級(jí)——加入成千上萬張英偉達(dá)最強(qiáng)的H100顯卡以及更快的InfiniBand網(wǎng)絡(luò)互連技術(shù)。

基于此，微軟也官宣了最新的ND H100 v5虛擬機(jī)，具體規(guī)格如下：

8個(gè)NVIDIA H100 Tensor Core GPU通過下一代NVSwitch和NVLink 4.0互聯(lián)

每個(gè)GPU有400 Gb/s的NVIDIA Quantum-2 CX7 InfiniBand，每個(gè)虛擬機(jī)有3.2Tb/s的無阻塞胖樹型網(wǎng)絡(luò)

NVSwitch和NVLink 4.0在每個(gè)虛擬機(jī)的8個(gè)本地GPU之間具有3.6TB/s的雙向帶寬

第四代英特爾至強(qiáng)可擴(kuò)展處理器

PCIE Gen5到GPU互連，每個(gè)GPU有64GB/s帶寬

16通道4800MHz DDR5 DIMM

數(shù)億美元撐起來的算力

大約五年前，OpenAI向微軟提出了一個(gè)大膽的想法——建立一個(gè)可以永遠(yuǎn)改變?nèi)藱C(jī)交互方式的人工智能系統(tǒng)。

當(dāng)時(shí)，沒人能想到，這將意味著AI可以用純語(yǔ)言創(chuàng)造出人類所描述的任何圖片，人類可以用聊天機(jī)器人來寫詩(shī)、寫歌詞、寫論文、寫郵件、寫菜單……

為了建立這個(gè)系統(tǒng)，OpenAI需要很多算力——可以真正支撐起超大規(guī)模計(jì)算的那種。

但問題是，微軟能做到嗎？

畢竟，當(dāng)時(shí)既沒有能滿足OpenAI需要的硬件，也無法確定在Azure云服務(wù)中構(gòu)建這樣龐大的超級(jí)計(jì)算機(jī)會(huì)不會(huì)直接把系統(tǒng)搞崩。

隨后，微軟便開啟了一段艱難的摸索。

為了構(gòu)建支持OpenAI項(xiàng)目的超級(jí)計(jì)算機(jī)，它斥資數(shù)億美元，在Azure云計(jì)算平臺(tái)上將幾萬個(gè)Nvidia A100芯片連接在一起，并改造了服務(wù)器機(jī)架。

此外，為了給OpenAI量身打造這個(gè)超算平臺(tái)，微軟十分盡心，一直在密切關(guān)注著OpenAI的需求，隨時(shí)了解他們?cè)谟?xùn)練AI時(shí)最關(guān)鍵的需要。

這么一個(gè)大工程，成本究竟是多少呢？微軟負(fù)責(zé)云計(jì)算和人工智能的執(zhí)行副總裁Scott Guthrie不愿透露具體數(shù)目，但他表示，「可能不止」幾億美元。

OpenAI出的難題

微軟負(fù)責(zé)戰(zhàn)略合作伙伴關(guān)系的高管Phil Waymouth指出，OpenAI訓(xùn)練模型所需要的云計(jì)算基礎(chǔ)設(shè)施規(guī)模，是業(yè)內(nèi)前所未有的。

呈指數(shù)級(jí)增長(zhǎng)的網(wǎng)絡(luò)GPU集群規(guī)模，超過了業(yè)內(nèi)任何人試圖構(gòu)建的程度。

微軟之所以下定決心與OpenAI 合作，是因?yàn)閳?jiān)信，這種前所未有的基礎(chǔ)設(shè)施規(guī)模將改變歷史，造出全新的AI，和全新的編程平臺(tái)，為客戶提供切實(shí)符合他們利益的產(chǎn)品和服務(wù)。

現(xiàn)在看來，這幾億美元顯然沒白花——寶押對(duì)了。

在這臺(tái)超算上，OpenAI能夠訓(xùn)練的模型越來越強(qiáng)大，并且解鎖了AI工具令人驚嘆的功能，幾乎開啟人類第四次工業(yè)革命的ChatGPT，由此誕生。

非常滿意的微軟，在1月初又向OpenAI狂砸100億美元。

可以說，微軟突破AI超算界限的雄心，已經(jīng)得到了回報(bào)。而這背后體現(xiàn)的，是從實(shí)驗(yàn)室研究，到AI產(chǎn)業(yè)化的轉(zhuǎn)變。

目前，微軟的辦公軟件帝國(guó)已經(jīng)初具規(guī)模。

ChatGPT版必應(yīng)，可以幫我們搜索假期安排；Viva Sales中的聊天機(jī)器人可以幫營(yíng)銷人員寫郵件；GitHub Copilot可以幫開發(fā)者續(xù)寫代碼；Azure OpenAI 服務(wù)可以讓我們?cè)L問OpenAI的大語(yǔ)言模型，還能訪問Azure的企業(yè)級(jí)功能。

和英偉達(dá)聯(lián)手

其實(shí)，在去年11月，微軟就曾官宣，要與Nvidia聯(lián)手構(gòu)建「世界上最強(qiáng)大的AI超級(jí)計(jì)算機(jī)之一」，來處理訓(xùn)練和擴(kuò)展AI所需的巨大計(jì)算負(fù)載。

這臺(tái)超級(jí)計(jì)算機(jī)基于微軟的Azure云基礎(chǔ)設(shè)施，使用了數(shù)以萬計(jì)個(gè)Nvidia H100和A100Tensor Core GPU，及其Quantum-2 InfiniBand網(wǎng)絡(luò)平臺(tái)。

Nvidia在一份聲明中表示，這臺(tái)超級(jí)計(jì)算機(jī)可用于研究和加速DALL-E和Stable Diffusion等生成式AI模型。

隨著AI研究人員開始使用更強(qiáng)大的GPU來處理更復(fù)雜的AI工作負(fù)載，他們看到了AI模型更大的潛力，這些模型可以很好地理解細(xì)微差別，從而能夠同時(shí)處理許多不同的語(yǔ)言任務(wù)。

簡(jiǎn)單來說，模型越大，你擁有的數(shù)據(jù)越多，你能訓(xùn)練的時(shí)間越長(zhǎng)，模型的準(zhǔn)確性就越好。

但是這些更大的模型很快就會(huì)到達(dá)現(xiàn)有計(jì)算資源的邊界。而微軟明白，OpenAI需要的超級(jí)計(jì)算機(jī)是什么樣子，需要多大的規(guī)模。

這顯然不是說，單純地購(gòu)買一大堆GPU并將它們連接在一起之后，就可以開始協(xié)同工作的東西。

微軟Azure高性能計(jì)算和人工智能產(chǎn)品負(fù)責(zé)人Nidhi Chappell表示：「我們需要讓更大的模型訓(xùn)練更長(zhǎng)的時(shí)間，這意味著你不僅需要擁有最大的基礎(chǔ)設(shè)施，你還必須讓它長(zhǎng)期可靠地運(yùn)行?！?/p>

Azure全球基礎(chǔ)設(shè)施總監(jiān)Alistair Speirs表示，微軟必須確保它能夠冷卻所有這些機(jī)器和芯片。比如，在較涼爽的氣候下使用外部空氣，在炎熱的氣候下使用高科技蒸發(fā)冷卻器等。

此外，由于所有的機(jī)器都是同時(shí)啟動(dòng)的，所以微軟還不得不考慮它們和電源的擺放位置。就像你在廚房里同時(shí)打開微波爐、烤面包機(jī)和吸塵器時(shí)可能會(huì)發(fā)生的情況，只不過是數(shù)據(jù)中心的版本。

大規(guī)模AI訓(xùn)練

完成這些突破，關(guān)鍵在哪里？

難題就是，如何構(gòu)建、操作和維護(hù)數(shù)萬個(gè)在高吞吐量、低延遲InfiniBand網(wǎng)絡(luò)上互連的共置GPU。

這個(gè)規(guī)模，已經(jīng)遠(yuǎn)遠(yuǎn)超出了GPU和網(wǎng)絡(luò)設(shè)備供應(yīng)商測(cè)試的范圍，完全是一片未知的領(lǐng)域。沒有任何人知道，在這種規(guī)模下，硬件會(huì)不會(huì)崩。

微軟Azure高性能計(jì)算和人工智能產(chǎn)品負(fù)責(zé)人Nidhi Chappell解釋道，在LLM的訓(xùn)練過程中，涉及到的大規(guī)模計(jì)算通常會(huì)被劃分到一個(gè)集群中的數(shù)千個(gè)GPU上。

在被稱為allreduce的階段，GPU之間會(huì)互相交換它們所做工作的信息。此時(shí)就需要通過InfiniBand網(wǎng)絡(luò)進(jìn)行加速，從而讓GPU在下一塊計(jì)算開始之前完成。

Nidhi Chappell表示，由于這些工作跨越了數(shù)千個(gè)GPU，因此除了要確?；A(chǔ)設(shè)施的可靠外，還需要大量很多系統(tǒng)級(jí)優(yōu)化才能實(shí)現(xiàn)最佳的性能，而這是經(jīng)過許多代人的經(jīng)驗(yàn)總結(jié)出來的。

所謂系統(tǒng)級(jí)優(yōu)化，其中就包括能夠有效利用GPU和網(wǎng)絡(luò)設(shè)備的軟件。

在過去的幾年里，微軟已經(jīng)開發(fā)出了這種技術(shù)，在使訓(xùn)練具有幾十萬億個(gè)參數(shù)的模型的能力得到增長(zhǎng)的同時(shí)，降低了訓(xùn)練和在生產(chǎn)中提供這些模型的資源要求和時(shí)間。

Waymouth指出，微軟和合作伙伴也一直在逐步增加GPU集群的容量，發(fā)展InfiniBand網(wǎng)絡(luò)，看看他們能在多大程度上推動(dòng)保持GPU集群運(yùn)行所需的數(shù)據(jù)中心基礎(chǔ)設(shè)施，包括冷卻系統(tǒng)、不間斷電源系統(tǒng)和備用發(fā)電機(jī)。

微軟AI平臺(tái)公司副總裁Eric Boyd表示，這種為大型語(yǔ)言模型訓(xùn)練和下一波AI創(chuàng)新而優(yōu)化的超算能力，已經(jīng)可以在Azure云服務(wù)中直接獲得。

并且微軟通過與OpenAI的合作，積累了大量經(jīng)驗(yàn)，當(dāng)其他合作方找來、想要同樣的基礎(chǔ)設(shè)施時(shí)，微軟也可以提供。

現(xiàn)在，微軟的Azure數(shù)據(jù)中心已經(jīng)覆蓋了全球60多個(gè)地區(qū)。

全新虛擬機(jī)：ND H100 v5

在上面這個(gè)基礎(chǔ)架構(gòu)上，微軟一直在繼續(xù)改進(jìn)。

今天，微軟就官宣了全新的可大規(guī)模擴(kuò)展虛擬機(jī)，這些虛擬機(jī)集成了最新的NVIDIA H100 Tensor Core GPU 和 NVIDIA Quantum-2 InfiniBand 網(wǎng)絡(luò)。

通過虛擬機(jī)，微軟可以向客戶提供基礎(chǔ)設(shè)施，根據(jù)任何AI任務(wù)的規(guī)模進(jìn)行擴(kuò)展。據(jù)微軟稱，Azure的新ND H100 v5 虛擬機(jī)為開發(fā)者提供卓越的性能，同時(shí)調(diào)用數(shù)千個(gè)GPU。

審核編輯 ：李倩