OGAI詳解：AIStation調(diào)度平臺如何實現(xiàn)大模型高效長時間持續(xù)訓(xùn)練

北京2023年9月15日 /美通社/ -- 大模型是當(dāng)前通用人工智能產(chǎn)業(yè)發(fā)展創(chuàng)新的核心技術(shù)，目前國內(nèi)已發(fā)布的生成式AI模型超過了100個。面向以大模型為核心的生成式AI開發(fā)與應(yīng)用場景，近日浪潮信息發(fā)布了大模型智算軟件棧OGAI（Open GenAI Infra）——"元腦生智"，為大模型業(yè)務(wù)提供了全棧全流程的智算軟件棧，包括AI算力系統(tǒng)環(huán)境部署、算力調(diào)度保障、模型開發(fā)管理等。OGAI軟件棧由5層架構(gòu)組成，從L0到L4分別對應(yīng)于基礎(chǔ)設(shè)施層的智算中心OS產(chǎn)品、系統(tǒng)環(huán)境層的PODsys產(chǎn)品、調(diào)度平臺層的AIStation產(chǎn)品、模型工具層的YLink產(chǎn)品和多模納管層的MModel產(chǎn)品。

其中L2層AIStation是面向大模型開發(fā)的AI算力調(diào)度平臺，AIStation針對大模型訓(xùn)練中的資源使用與調(diào)度、訓(xùn)練流程與保障、算法與應(yīng)用管理等方面進行了系統(tǒng)性優(yōu)化，具備大模型斷點續(xù)訓(xùn)能力，保證長時間持續(xù)訓(xùn)練。AIStation支撐浪潮信息"源"大模型的訓(xùn)練算力效率達到44.8%。某大型商業(yè)銀行基于AIStation打造的大規(guī)模并行運算集群，幫助其充分發(fā)掘計算潛能進行大模型訓(xùn)練，并榮獲2022 IDC"未來數(shù)字基礎(chǔ)架構(gòu)領(lǐng)軍者"獎項。

本文將重點討論大模型訓(xùn)練面臨的挑戰(zhàn)、AIStation如何提升大模型訓(xùn)練效率，以及取得的效果。

一、大模型訓(xùn)練面臨巨大挑戰(zhàn)

1.大模型訓(xùn)練巨大算力成本和算力利用難題

大模型訓(xùn)練要面對的首要挑戰(zhàn)就是海量數(shù)據(jù)和計算量，算力開銷巨大，如GPT-3是在10000個GPU上訓(xùn)練得到的，"源1.0"模型是在2128個GPU上通過AIStation平臺完成1800億tokens的訓(xùn)練，訓(xùn)練一個萬億token的700億參數(shù)模型將花費上百萬美元。但計算平臺的性能通常不能隨著算力線性增長，而是會出現(xiàn)耗損，因此大模型訓(xùn)練還需要高效的算力調(diào)度來發(fā)揮算力平臺的效能。而這不僅需要依賴算法、框架的優(yōu)化，還需要借助高效的算力調(diào)度平臺，以根據(jù)算力集群的硬件特點和計算負載特性實現(xiàn)最優(yōu)化的算力調(diào)度，整體提高算力利用率和訓(xùn)練效率。

2.耗時且維護復(fù)雜的多種網(wǎng)絡(luò)兼容適配

大模型訓(xùn)練過程中，成千上萬顆GPU會在節(jié)點內(nèi)和節(jié)點間不斷地進行通信。為了獲得最優(yōu)的訓(xùn)練效果，單臺GPU服務(wù)器會搭載多張InfiniBand、ROCE等高性能網(wǎng)卡，為節(jié)點間通信提供高吞吐、低時延的服務(wù)。但不同的網(wǎng)絡(luò)方案各有優(yōu)劣，InfiniBand因性能優(yōu)異已被公認為大模型訓(xùn)練的首選，但其成本較高；RoCE雖然成本較低，但在大規(guī)模的網(wǎng)絡(luò)環(huán)境下，其性能和穩(wěn)定性不如InfiniBand方案。因此要想滿足大模型訓(xùn)練對通信的要求，就要對集群網(wǎng)絡(luò)中的通信設(shè)備適配使用和網(wǎng)絡(luò)情況進行探索和設(shè)計。

3.不穩(wěn)定的大模型訓(xùn)練和高門檻的系統(tǒng)級別優(yōu)化

大模型訓(xùn)練過程比傳統(tǒng)的分布式訓(xùn)練復(fù)雜，訓(xùn)練周期長達數(shù)月。集群計算效力低、故障頻發(fā)且處理復(fù)雜，會導(dǎo)致訓(xùn)練中斷后不能及時恢復(fù)，從而會降低大模型訓(xùn)練的成功概率，也會使得大模型訓(xùn)練成本居高不下。因此，大模型對訓(xùn)練的穩(wěn)定性、故障檢測與訓(xùn)練容錯提出了更高的要求。同時簡化大模型分布式任務(wù)提交、實現(xiàn)智能與自動化的任務(wù)資源匹配和訓(xùn)練健壯性也是提升訓(xùn)練效率的重要保證。

Meta在訓(xùn)練模型體量與GPT3規(guī)模相當(dāng)?shù)腛pen Pre-trained Transformer (OPT)-175B時，遇到的一大工程問題就是訓(xùn)練不穩(wěn)定。如下圖所示，可以看到有許多訓(xùn)練停止的時間節(jié)點，原因有GPU掉卡、GPU性能異常導(dǎo)致訓(xùn)練意外中斷等。訓(xùn)練穩(wěn)定性和有效的斷點續(xù)訓(xùn)是目前大模型訓(xùn)練中亟待解決的問題。

總之，在超大規(guī)模分布式環(huán)境下開展大模型訓(xùn)練，如果想要縮短訓(xùn)練周期、降低訓(xùn)練成本，就需要解決算力調(diào)度、網(wǎng)絡(luò)通信、訓(xùn)練穩(wěn)定性等各種挑戰(zhàn)。不僅要靈活、充分地利用集群內(nèi)的所有資源，通過多種手段優(yōu)化數(shù)據(jù)使用、通訊，還要及時處理大規(guī)模計算集群的異常。

二、AIStation全流程簡化和提速大模型訓(xùn)練

浪潮信息AIStation提供了系統(tǒng)性軟硬一體優(yōu)化的平臺與軟件棧能力，來保障大模型的訓(xùn)練需求。AIStation平臺從資源使用與調(diào)度、訓(xùn)練流程與保障、算法與應(yīng)用等角度進行了系統(tǒng)性的優(yōu)化，實現(xiàn)了對大模型訓(xùn)練的端到端優(yōu)化和加速。

1.  毫秒級調(diào)度，高效使用大規(guī)模算力，解決算力利用低難題

AIStation在大模型訓(xùn)練實踐中，針對云原生調(diào)度系統(tǒng)性能做了優(yōu)化，實現(xiàn)了上千POD極速啟動和環(huán)境就緒。如下表所示，AIStation調(diào)度器與原生社區(qū)版相比，能大幅提升大規(guī)模POD任務(wù)的調(diào)度性能，尤其能保證大模型訓(xùn)練的計算資源的調(diào)度使用。

表1 大規(guī)模POD調(diào)度任務(wù)性能對比

此外，AIStation平臺能夠支持大模型特有的開發(fā)模式，提供多種尺度作業(yè)資源使用方式，包括小尺度資源調(diào)度，大尺度資源調(diào)度、高性能調(diào)度等。算力調(diào)度器通過動態(tài)、智能地管理和調(diào)配集群計算資源，制定合理的作業(yè)執(zhí)行計劃，以最大限度地利用資源，滿足各類訓(xùn)練任務(wù)的時延和吞吐需求，保證作業(yè)高效穩(wěn)定運行，實現(xiàn)算力平臺高利用率、強擴展性、高容錯性。

通過多種資源高效管理和調(diào)度策略，AIStation能實現(xiàn)毫秒級調(diào)度，將整體資源利用率提升到70%以上，幫助客戶更好地利用計算集群算力，充分發(fā)揮算力價值。

2.高效網(wǎng)絡(luò)資源管理，多卡加速比達90%，極致加速訓(xùn)練過程

AIStation定義了互相獨立的計算高性能網(wǎng)絡(luò)、存儲高性能網(wǎng)絡(luò)，并且支持交換機級別的資源調(diào)度，減少跨交換機流量，同時具備網(wǎng)絡(luò)故障自動識別和處理功能。針對大模型訓(xùn)練通信要求高的場景，AIStation提供集群拓撲感知能力，容器網(wǎng)絡(luò)與集群物理網(wǎng)絡(luò)一致，保證了容器互聯(lián)性能，滿足訓(xùn)練通信要求。分布式通信優(yōu)化結(jié)合集群的InfiniBand或 RoCE高性能網(wǎng)絡(luò)和專門優(yōu)化的通信拓撲，使得AIStation在千卡規(guī)模集群測試中，多卡加速比達到了90%。尤其AIStation對大規(guī)模RoCE無損網(wǎng)絡(luò)下的大模型訓(xùn)練也做了相應(yīng)優(yōu)化，實測網(wǎng)絡(luò)性能穩(wěn)定性達到了業(yè)界較高水平。

借助AIStation平臺，某大型商業(yè)銀行實現(xiàn)了主流大模型訓(xùn)練框架，如DeepSpeed、Megatron-LM和大語言模型在RoCE網(wǎng)絡(luò)環(huán)境的訓(xùn)練，快速實現(xiàn)大模型的落地實踐。

3.大規(guī)模訓(xùn)練系統(tǒng)級別優(yōu)化，故障處理時間縮短90%，最大限度降低實驗成本

大模型任務(wù)提交時，經(jīng)常會伴隨著大量的環(huán)境配置、依賴庫適配和超參數(shù)調(diào)整。AIStation能夠自動化配置計算、存儲、網(wǎng)絡(luò)環(huán)境，同時對一些基本的超參數(shù)提供自定義修改，方便用戶使用，通過幾步就能啟動大模型分布式訓(xùn)練，目前支持諸多大模型訓(xùn)練框架和開源方案，如Megatron-LM、DeepSpeed等。

AIStation在大規(guī)模訓(xùn)練集群上利用自研數(shù)據(jù)緩存系統(tǒng)，提高了訓(xùn)練前、訓(xùn)練中的數(shù)據(jù)讀取速率，大大減少對存儲系統(tǒng)和網(wǎng)絡(luò)的依賴。配合優(yōu)化的調(diào)度策略，與直接使用存儲系統(tǒng)相比，可讓模型訓(xùn)練效率獲得200%-300%的提升，硬件性能100%釋放。

健壯性與穩(wěn)定性是高效完成大模型訓(xùn)練的必要條件。AIStation針對資源故障等集群突發(fā)情況，會自動進行容錯處理或者執(zhí)行彈性擴縮容策略，保證訓(xùn)練任務(wù)中斷后能以最快速度恢復(fù)，為需要長時間訓(xùn)練的大模型提供可靠環(huán)境，平均將異常故障處理時間縮短90%以上。

綜上，針對大規(guī)模分布式計算，AIStation內(nèi)置分布式訓(xùn)練自適應(yīng)系統(tǒng)，覆蓋訓(xùn)練的全生命周期，滿足了大模型訓(xùn)練的諸多訴求，提供資源使用視圖、計算與網(wǎng)絡(luò)調(diào)度策略、分布式訓(xùn)練加速、訓(xùn)練監(jiān)控、訓(xùn)練容錯與自愈能力，在加速訓(xùn)練的同時，能夠自動定位故障和恢復(fù)任務(wù)，保證了訓(xùn)練的穩(wěn)定性和效率。某銀行客戶在AIStation智能容錯的機制保障下，在極其嚴苛的業(yè)務(wù)投產(chǎn)測試中能夠?qū)崿F(xiàn)快速故障排查和恢復(fù)，大幅降低業(yè)務(wù)投產(chǎn)上線時間。

三、AIStation助力行業(yè)提升大模型開發(fā)效率

AIStation平臺在AI開發(fā)、應(yīng)用部署和大模型工程實踐上積累了寶貴的經(jīng)驗和技術(shù)，幫助諸多行業(yè)客戶在資源、開發(fā)、部署層面實現(xiàn)降本增效。在垂直行業(yè)領(lǐng)域，AIStation平臺幫助頭部金融客戶、生物制藥服務(wù)公司快速利用密集數(shù)據(jù)訓(xùn)練、驗證大模型，大大降低大模型業(yè)務(wù)成本。某大型商業(yè)銀行基于AIStation打造的并行運算集群，憑借領(lǐng)先的大規(guī)模分布式訓(xùn)練支撐能力，榮獲2022 IDC"未來數(shù)字基礎(chǔ)架構(gòu)領(lǐng)軍者"獎項。

浪潮信息AIStation在大模型方面已經(jīng)取得了諸多業(yè)界領(lǐng)先的經(jīng)驗和積累，實現(xiàn)了端到端的優(yōu)化，是更適合大模型時代的人工智能平臺。未來AIStation將與浪潮信息OGAI軟件棧一同進化，進一步通過低代碼、標(biāo)準(zhǔn)化的大模型開發(fā)流程，以及低成本和高效的推理服務(wù)部署，幫助客戶快速實現(xiàn)大模型開發(fā)和落地，搶占先機。