0
| 本文作者：李扬霞 | 2023-08-18 18:06 |
第七届GAIR全球人工智能与机器人大会，于8月14日-15日在新加坡乌节大酒店举办。论坛由GAIR研究院、雷峰网(公众号：雷峰网)、世界科技出版社、科特勒咨询集团联合主办。这是国内首个出海的AI顶级论坛，也是中国人工智能影响力的一次跨境溢出。GAIR创立于2016年，由鹏城实验室主任高文院士、香港中文大学(深圳)校长徐扬生院士、GAIR研究院创始人朱晓蕊、雷峰网创始人林军等人联合发起。历届大会邀请了多位图灵奖、诺贝尔奖得主、40位院士、30位人工智能国际顶会主席、 100多位 Fellow，同时也有500多位知名企业领袖，是亚洲最具国际影响力的AI论坛之一。
大会共开设10个主题论坛，聚焦大模型时代下的AIGC、Infra、生命科学、教育，SaaS、web3、跨境电商等领域的变革创新。在8月14日下午「大模型时代的超级基建」论坛上，UCloud董事长兼CEO季昕华分享了题为《中立云服务助力AIGC的发展》的主题演讲。
季昕华认为，判断一个大模型能不能做好主要有四个关键要素：一是资金密度；二是人才密度；三是数据密度；四是算力密度。
一家大模型公司如果没有一个亿美金，那基本上压力就会比较大。因此，大模型被称为是互联网的重工业。除资金以外，大模型的训练需要大量的科学家人才、数据、算力。
而UCloud主要做的就是大模型最下面的基础设施。季昕华提到，目前，国内有139家公司在做大模型，其中五六十家都是由UCloud支撑和支持。所以，UCloud对整个模型过程中的技术要求非常清楚，也看到了大模型目前发展阶段在技术上所遇到的挑战，包括功耗、存储、网络等。
以下为季昕华的现场演讲内容，雷峰网作了不改变原意的编辑及整理：
一、从“百模大战”看做好大模型的关键要素
我来分享一下我们是如何用云计算支撑整个大模型发展的，确实在国内现在大模型非常火，按照我们的收集，在国内有139家公司做大模型，包括基础模型和专业模型，所以称之为“百模大战”是非常形象的，而且这个数字还在不断增加。
这其中有两点：第一个是我们看到这些公司的人50%以上都是清华大学毕业的，今天早上的主论坛潘院士和黄院士都是清华的；第二个就是中科院自动化所；今天还要加上第三个标签就是南洋理工大学。
按公司类别来分可以分为五大类：第一个互联网巨头，他们几乎什么都会做；第二个是上市公司，像360、科大讯飞等等；第三个就是AI团队，像AI四小龙；第四个是科学家创业，是现在发展比较快的，像智谱华章、衔远科技；第五个是一大批原来互联网的高管出来创业的，像李开复、王小川等这样的公司。
这些清楚以后，其实我们可以看到大模型做的好不好有四大核心要素：资金密度、人才密度、数据密度、算力密度。在资金上，一家大模型企业在国内没有一个亿美金起步的话，做大模型的压力就会很大，所以我们把大模型称之为互联网的重工业；做大模型还需要大量的科学家来做算法分析；大量的数据也必不可少；还有算力的密度，有多少张卡决定了模型做的有多快、有多好。
二、从整个训练流程看大模型的挑战
整个大模型训练其实包括四个步骤：从前期的准备到训练，再到最后的上线推理运行。我在中间加了两步，从前期的数据清洗、预训练、监督微调、奖励建模、强化学习，以及后续的部署运营六个阶段，在这个过程中我们可以看到，往往会面临着多样合规数据获取，计算、存储、网络等一系列难题。
而UCloud主要做的就是大模型最下面的基础设施，“大家知道 OpenAI 做得很好，那么其实背后有微软给OpenAI的大力支持。目前国内139家公司里面大概有五六十家都是由UCloud做支撑和支持，所以我们对整个模型过程中的技术要求非常清楚。”
由于大模型的参数越来越大， 比如1000多亿的参数，这时候就需要把整个模型分配到几千张卡上，那么卡之间的数据同步、网络互联，以及中间出现故障的情况下如何做恢复等问题，在这种情况下对于整个网络、存储，对于整个系统的框架要求会越来越高。
在准备阶段，大家也都清楚最核心的是收集到足够的数据，如何获取有效的数据是最重要的；第二步在训练的阶段需要有大量的GPU卡，而大量的卡之间组网就会产生很多问题，比如存储、网络以及稳定性等问题，具体来看：
首先是功耗和电力的挑战：举例来说，一台A800大概需要6000多瓦的电力，H800更高，耗电11千瓦。比如说新加坡，其实电力成本很高，UCloud乌兰察布数据中心电力充分、电价低廉、可自然制冷且距离北京更近。相较上海、北京等同等质量的数据中心，成本下降40%。
其次是存储的挑战：在大模型的训练过程中，大量非常小的文件，全部分配到服务器上，会有大量的元数据操作，还有高吞吐读的需求，还有大量的顺序写入，这对存储提出了更高的需求。
针对以上这些问题，UCloud做了一些优化，经测试，优化后的读性能有70%左右的性能提升，达到5GBps；写吞吐10%左右的吞吐提升，达到2.2GBps，可充分满足大模型客户在单点挂载时吞吐的性能需求，大幅提升训练效率。后续，UCloud会在和kernel交互的方式上进一步优化并发来提升写吞吐的能力。此外，UCloud研发中的GPUDirect Storage，将会有更高的存储性能。
他谈到，目前UCloud是国内第一个支持GPUDirect Storage，那么可以把GPU内存的数据直接写到存储上，而不需要CPU的处理，所以效果会非常好。
最后是网络的挑战：在大模型的训练过程当中，一般有三种并行策略：张量并行、流水线并行、数据并行，他们的通信量分别是百GB级别、100MB级别、10GB级别，但是由于整个网络带宽的瓶颈限制，GPU不能很好的利用，造成大量浪费。GPT 4 对外的公开数据显示GPU的利用率只有30%多，这是由整个存储的带宽压力和整个网络通信的带宽压力导致的。
现在业界流行的有两种方案：RoCE和InfiniBand，而InfiniBand目前由英伟达控制，开放性不够，所以现在大部分的公司开始逐步采用RoCE网络。
季昕华表示，大模型训练RDMA网络设计要满足“大规模、高带宽”的要求，目前UCloud支持IB和RoCE两种高性能网络方案，IB可以支持万张以上的GPU同时接入；而RoCE的可扩展性和开放性都比较好，当然这里面也存在比较大的一些问题，比如说整个哈希的不均衡问题等，我们目前正在和一些公司进行合作，希望把问题进一步解决，能够提高整个卡的使用率和效能。
三、谈大模型十大应用场景和三大挑战
谈到目前国内的场景应用，季昕华表示，按照对大模型输出内容准确性的容忍度来分类，在游戏NPC、社交辅助、电商、游戏/设计的画图、翻译、客服支持、文字和编程辅助、教育、法律、医疗这10大行业场景有较为广泛的落地。
季昕华介绍到游戏中的NPC使用大模型来做的话，会极大提高游戏用户的粘性；而在社交辅助上，大模型可以模拟人进行交流也非常受欢迎；在电商方面，很多页面设计、文案输出、图片设计，都可以交给大模型来做，可大幅提高生产效率；在法律、教育和医疗领域，更多的是作为辅助功能，最后由老师或者是医生和律师来签字，担责的是人，所以这三类目前是无法被替换的。
另外他还谈到，大模型发展还将持续面临数据安全、政府对于合规性的要求、国际关系对于中国AI发展的限制等挑战。
由于国际关系对于AI发展有一些核心硬件的限制，国内无法购买A100、 H100 或者未来更高一级的卡、更高性能的芯片，所以中国AI的发展会受到很大的挑战，和国外的差距会越来越越大；还有由于政府对与合规性的要求，很多客户开始采用海外磨枪，国内使用的路子，UCloud在全球有30多个数据中心，可以协助用户磨练产品，之后有条件的时候再搬到国内；还有一个重要的挑战就是数据安全，很多用户的数据放在云上，肯定会担心会不会被拿走，UCloud是一个中立的云计算公司，我们有一个模式就是给合作伙伴建立专有云或者私有云，放在自己的云上随意做测试、训练，也不会担心数据的安全问题。
在提问环节，他回答了现场观众关于应用场景的提问，季昕华表示，现在确实是互联网的应用场景会多一些，但我们也在其他领域进行探索，一个是 AI for Science，比如AI for化学，通过无人化的试管试验来验证可能性。第二探索是AI for Brain，在大脑科学领域，我们在跟陈天桥进行合作，通过AI来分析大脑状态、大脑操控各种行为时的变化。第三个探索就是生物医药。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
