Meta超大规模AI智算基础设施架构设计

摘要

双重 GPU 集群，每群配备 2.4 万个 H100 芯片，分别采用 RoCE 和 InfiniBand 网络连接。LLaMA3 就是在这两个集群上训练出来的；Meta AI 将部署庞大算力集群，拥有 35 万张 H100 GPU，相当于 60 万张 H100 的总算力，助力突破性人工智能研究。

Meta打造两个庞大AI集群，每个集群拥有2.4万张GPU。该设计专注于计算、网络和存储的无缝集成，旨在推动人工智能的未来发展。

1 第一代 GPU 集群：1.6w A100(RSC)

Meta 自 2022 年起公开其强大的 AI 基础设施，率先推出 Research SuperCluster (RSC)，该集群由 16,000 个 A100 GPU 组成。RSC 为 Meta 的 AI 研究和开发提供了无与伦比的计算能力。

RSC为Meta AI开发提供技术支持，助力其构建将生成式AI融入各类应用，如计算机视觉、NLP、语音识别、图像生成和编码。RSC的先进能力显著提升了Llama/llama2等AI模型的训练效率。

2 第二代 GPU 集群：2.4w H100

精确数字是每个集群 24,576 张 H100 GPU。

Meta新一代 AI 集群充分吸收了 RSC 的成功和经验教训，这包括，

新集群能支持更大、更复杂的模型，为GenAI产品开发和AI研究的进步铺平了道路。

Meta 自研关键技术，搭建先进基础设施，每天高效执行万亿级 AI 任务。端到端优化确保数据中心高效运行，支撑着 Meta 的 AI 创新。

左侧：计算机柜，包括GPU服务器机框、fabric交换机等等；右侧：存储机柜。

2.1 计算：Grand TetonGPU 主机

双新集群采用 Grand Teton，这是 Meta 开发的一种开放的 GPU 硬件平台，已贡献给开放计算项目 (OCP)。

从2015年的Big Sur平台开始，Meta一直在开放设计GPU硬件平台。

Grand Teton 实物图如下，

提供了快速可扩展性和灵活性，设计简化，可以快速部署到数据中心，并易于维护和扩展。

创新的Open Rack电源和机架架构相结合，可迅速构建和定制Meta当前和未来的集群，满足不断增长的应用程序需求。

2.2 网络

两个集群使用了不同的网络方案，但都是 400Gbps 接入。

2.2.1 集群一：400Gbps RoCE + 自研交换机

基于 RoCE 网络，使用的交换机包括

自研置顶交换机（TOR）Wedge400 / Arista 7800 ，自研模块化交换机 Minipack2。Minipack/Minipack2 多用途交换机，可灵活部署为 Spine 交换机，满足不同组网需求。Minipack 创新（2019 年），重塑 Facebook 数据中心网络，为下一代数据基础设施树立了新标杆。早期的数据中心网络：

Facebook 的下一代数据中心网络：“数据中心 Fabric”（2014 年）

2.2.2 集群二：400Gbps InfiniBand

使用NVIDIA Quantum2 InfiniBand fabric。

2.2.3 小结

在评估大规模训练中的 RoCE/IB 适用性和可扩展性时，对比研究表明：

RoCE 和 IB 组网的集群均可处理大型生成式 AI 任务，例如 Llama 3 的训练，且未遇网络限制。

这些发现为构建更大规模集群提供指导，有助于解决大型生成式 AI 训练模型的网络挑战。

2.3 存储

存储在 AI 训练中扮演着重要角色，然而相关的讨论确非常少。

人工智能任务的多模态性推动了对高性能存储的需求。理想的解决方案应提供卓越性能，并在处理图像、视频和文本时保持低能耗。

2.3.1 数据和 checkpoints 存储：FUSE + Tectonic

AI 集群的数据和 checkpoint 的存储方案：

上层是一个自研的 Linux 用户空间文件系统（FUSE）Tectonic，Meta 的分布式存储解决方案，专为闪存优化，为数据密集型应用程序提供无与伦比的性能和效率。

这个解决方案使得

同时还提供了 EB 级存储系统所需的灵活性和高吞吐。2.3.2 交互式调试：Parallel NFS

与 Hammerspace 合作开发的并行 NFS 系统，可支持数千个 GPU 的交互式调试。代码改动能瞬间同步到环境中的所有节点，显著提升调试效率。

Tectonic 分布式存储与 Hammerspace 相结合，释放了企业数据快速迭代的潜能，同时打破了规模限制。

2.3.3 大容量 SSD + 定制每个机柜的服务器数量

Tectonic 和 Hammerspace 解决方案均采用 YV3 Sierra Point 服务器平台，集成了市场上最先进的高容量 E1.S SSD，提供卓越的性能和存储容量。

OCP 服务器如同乐高积木，赋予存储层灵活扩展性，满足未来 AI 集群的增长需求，且不影响日常维护和操作，为数据中心提供敏捷高效的基础架构。

3 性能3.1 原则：性能和易用性缺一不可

构建 AI 集群的关键是兼顾性能与易用性，避免顾此失彼。这种均衡至关重要，因为它确保了训练出卓越的 AI 模型。

优化大型系统设计的最佳方法是通过迭代构建和测试。小集群和大型集群的性能比较可以帮助识别瓶颈。下图以消息大小为横轴，归一化带宽（0-100）为纵轴，展示了当大量 GPU 交互时 AllGather 性能随集群规模的变化。

优化前：小型集群性能优异（90%+），大型集群性能低下（10%-90%）。

优化后：通过系统化优化，大型集群性能飙升至理想的90%+，与小型集群齐头并进。

3.2 大集群优化

优化大型集群性能：

* 通过减少wait time提升性能85%。

* 优化hash slot分配方式提升性能15%。

改进 job scheduler，使其具备网络拓扑感知能力，这带来的好处：延迟降低转发到更上层网络（交换机）的流量减少。结合 NVIDIA NCCL，优化了网络路由策略，以实现最优的网络利用率。

以上两项优化使大集群的性能已经接近小集群。

与训练框架和模型团队密切合作，不断改进基础设施。例如，并行技术优化，存储优化，可调试性是大型训练的主要障碍，在大规模情况下难以追踪拖慢训练进程的卡顿原因。

为此，正在开发 desync 调试和分布式飞行记录等工具，用于跟踪分布式训练流程，快速识别问题。

PyTorch 优化显着提升训练速度：

通过优化进程组初始化，PyTorch 可支持数万至数十万 GPU 并行训练。优化前，启动时间可长达数小时，优化后缩减为几分钟。

4 对Open AI innovation的承诺

Meta 坚信开源技术的力量，旨在通过开放创新来解决行业难题：

- Meta 坚定地致力于开源硬件和软件。

- 相信开源社区可加速 AI 领域的进步。

持续支持开放硬件创新，成为 OCP 创始成员，已将 Grand Teton 和 Open Rack 等设计贡献给社区，共创未来。作为PyTorch的最大和主要贡献者，继续推动这一AI软件框架的开发和普及。继续致力于 AI 研究社区的开放创新。汇聚 AI 先锋，探索负责任的 AI 发展。我们倡导在开发大模型和大语言模型等技术时，坚持道德准则和社会影响考量。联手 AI Alliance，一个领先 AI 组织组成的联盟，加速负责任的 AI 创新，开启开放社区的无限可能。

AI 工作建立在开放科学和协力合作的哲学之上。

5 未来展望

Meta为其未来 AI 愿景打造了两个强大的 AI 训练集群。到 2024 年底，Meta 将拥有 35 万张 H100 GPU，总算力相当于 60 万张 H100，为其 AI 创新奠定了基础。

持续优化基础设施，从硬件到业务层面，确保灵活可靠。评估和改进流程以满足不断演变的需求，支持创新模型和研究，打造未来准备就绪的系统。

-对此，您有什么看法见解？-

-欢迎在评论区留言探讨和分享。-