腾讯云首次披露自研星脉高性能计算网络
北京青年报客户端 2023-06-26 19:23

AIGC的爆发除了带来算力上的挑战,对网络的要求也达到了前所未有的高度。6月26日,腾讯云首次对外完整披露自研星脉高性能计算网络:星脉网络具备业界最高的3.2T通信带宽,能提升40%的GPU利用率,节省30%~60%的模型训练成本,为AI大模型带来10倍通信性能提升。基于腾讯云新一代算力集群HCC,可支持10万卡的超大计算规模。

AIGC的火爆带来AI大模型参数量从亿级到万亿级的飙升。为支撑海量数据的大规模训练,大量服务器通过高速网络组成算力集群,互联互通,共同完成训练任务。

大集群不等于大算力,相反,GPU集群越大,产生的额外通信损耗越多。大带宽、高利用率、信息无损,是AI大模型时代网络面临的核心挑战。

千亿、万亿参数规模的大模型,训练过程中通信占比最大可达50%,传统低速网络的带宽远远无法支撑。同时,传统网络协议容易导致网络拥塞、高延时和丢包,而仅0.1%的网络丢包就可能导致50%的算力损失,最终造成算力资源的严重浪费。

基于全面自研能力,腾讯云在交换机、通信协议、通信库以及运营系统等方面,进行了软硬一体的升级和创新,率先推出业界领先的大模型专属高性能网络——星脉网络。

在硬件方面,星脉网络基于腾讯的网络研发平台,采用全自研设备构建互联底座,实现自动化部署和配置。

在软件方面,腾讯云自研的TiTa网络协议,采用先进的拥塞控制和管理技术,能够实时监测并调整网络拥塞,满足大量服务器节点之间的通信需求,确保数据交换流畅、延时低,实现高负载下的零丢包,使集群通信效率达90%以上。

此外,腾讯云还为星脉网络设计了高性能集合通信库TCCL,融入定制化解决方案,使系统实现了微秒级感知网络质量。结合动态调度机制合理分配通信通道,可以避免因网络问题导致的训练中断等问题,让通信时延降低40%。

网络的可用性,也决定了整个集群的计算稳定性。为确保星脉网络的高可用,腾讯云自研了端到端的全栈网络运营系统,通过端网立体化监控与智能定位系统,将端网问题自动定界分析,让整体故障的排查时间由天级降低至分钟级。同时,大模型训练系统的整体部署时间从19天缩减至4.5天。

文/北京青年报记者 温婧
编辑/樊宏伟

相关阅读
腾讯发布星脉网络2.0 让AI大模型训练效率提升20%
北京青年报客户端 2024-07-01
腾讯文生文模型将开源 下一代视频模型时长将超30秒
第一财经 2024-05-21
有望打败闭源模型?阿里、百度、腾讯云厂商抢食开源Llama 3算力
第一财经 2024-04-23
腾讯云存储面向AIGC全面升级,80%头部大模型厂商采用
北京青年报客户端 2024-04-08
全面发力生成式AI 亚马逊云科技推出新一代自研芯片
北京青年报客户端 2023-12-13
亚马逊披露多年自研芯片历程,与英伟达合作详情
澎湃新闻 2023-12-04
国内首个向量数据库标准亮相,腾讯云联合50家企业共同编制
北京青年报客户端 2023-11-15
百度智能云联合度小满推出《智算中心网络架构白皮书》
北京青年报客户端 2023-09-08
最新评论