摘要：
此演讲讨论了meta构建AI应用网络时遇到的挑战，如AI 应用的多样性，以及它们对基础设施的不断变化的需求等。然后分享了meta从灵活的基础设施、大型GPU集群及前后端网络联合优化等方面解决问题，并强调了测试和基准的重要性。
Meta的AI基础设施经历了多次迭代演进，可以归纳为以下几个方面：
训练模式的演进：最初依赖CPU进行训练，后来转向GPU加速。
分布式系统的构建：随着AI模型规模的增长，Meta开始构建分布式训练系统，以支持更大规模的模型训练。
网络架构的优化：Meta采用了基于RoCE（RDMA over Converged Ethernet）的网络架构，这种架构提供了高效的数据传输能力，适合AI训练中的数据密集型任务。
CLOS拓扑结构的应用：Meta采用了CLOS拓扑结构来设计其网络，这种结构通过leaf交换机和spine交换机的层次化设计。
硬件层面的挑战与克服：在规模化基础设施的发展过程中，Meta面临并解决了路由、传输和硬件层面的诸多挑战和问题。
meta AI应用场景丰富，主要涵盖ranking、推荐和生成式AI等场景。
挑战1， 设计灵活的基础设施。设计能够适应不同 AI 模型和用例的基础设施，包括排名和推荐系统、内容理解、语音转文本等
举个例子做下简单的说明，
生成式AI模型通常在由数千至上万台Nvidia A100 GPU组成的集群上运行，所需的基础设施规模已经达到zettaFLOPS级别，即每秒10的21次方次浮点运算。
为了满足这种级别的计算需求，基础设施必须具备极高的性能和扩展能力。目标是构建一个每秒能进行20 exaFLOPs（10的18次方次浮点运算）的集群，以便快速训练大型模型。
与早期模型相比，当前目标是在一天或小时级别时间内完成与LLaMA（一个拥有650亿参数的模型）同样规模的模型训练，而早期模型可能需要数天甚至数周。
以下是rank、推荐、生成式AI模型的差异雷达图，可以看到生成式AI与另外两个场景，以及在训练和推理阶段的差异性。同时大模型训练推理因其特殊性，在推理阶段也会细化为prefill和decoding阶段，而两者在计算、内存、网络等资源需求方面差异性也很大。
排名和场景的训练系统，采用的flat fabric扁平化架构，可以同时处理多个任务，其中主要有一个运行着ethernet/RoCE的的4千个GPU集群。
大模型训练系统上述场景每天都要训练数百或数千个基础模型，一般是运行几个大型任务，这些任务会占用整个集群，每天执行ZettaFLOPs次运算。
（截止分享时间前，即23年底前）meta计和部署的是一个支持3.2万个GPU的InfiniBand和RoCE集群，专门用于大型语言模型的训练。以下InfiniBand集群的设计。而23年前则是构建1.6万个GPU的InfiniBand集群。
meta对于open持开放态度，包括开放系统、网络-存储、机架设计、模型等。
挑战2，生产过程中的规划、建设、测试、部署工作更加复杂和繁琐。因为涉及不同类型问题，不同产品线的组件，产品迭代开发等，而所有的这些都只是整体解决发方案中一小部分而已。
下图为meta训练后端集群一部分，包含rank RoCE、LLM RoCE及Infiniband等；A100到H100以及后续GB200；还有不同类型交换机、NIC等。
同时在构建布线系统时，比如从100G升级到200G，或从200G升级到400G，这些升级以及像Wedge 40、Wedge 100或Wedge 400等产品使用寿命较长，所以提供服务及迭代周期也更长。但在AI领域需求变更快，迭代时间短，对基础设施是一个巨大的挑战。
除GPU外meta也在自研ASIC芯片。
以上只讨论后端网络训练部分，与之对应的前端网络则承载着所有计算、存储等任务。两套系统需协同工作以提供高质量服务。
以下则是生产实践环境中的测试和benchmarking方案，有助于开发研究者对系统性能有更清晰的认识，也更方便做优化。
同时在做系统整体优化、升级过程中，也会对软硬件性能做整体重新评估，然后选择最优方案。
粤ICP备14082021号
免费POC，
零成本试错
