简单说说算力网络：马斯克的10万卡集群组网
当前，万卡集群成为AI大模型竞赛的“入场券”，10万卡集群正成为科技巨头竞逐的新高地。例如，马斯克旗下xAI公司位于田纳西州孟菲斯市的Colossus超级智算集群，2024年底就投产了10万张H100 GPU卡。Colossus集群采用超微的液冷机架，每个机架配备8台4U的液冷GPU服务器（64卡）和1个CDU（冷却分配单元）。每8个机架（512卡）为一组来配备网络设施，以便在大规模系统中实现小型集群部署。如下图所示。CDU位于每个机架的底部，如下图所示。每个机架内都设有一个流体循环系统（使用专门的冷却液，而非普通水），为所有GPU 服务器提供冷却服务。Colossus集群使用了英伟达Spectrum-X网络平台。Spectrum-X网络平台属于以太网络而非IB网络，在高效、低时延方面却足以媲美IB网络，同时还有以太网的可扩展性优势。如下图所示，每台GPU服务器配备9个400GbE端口：除了GPU RDMA网络之外，CPU也有1个400GbE 连接，它采用的是一种完全不同的交换架构，GPU独立运行一个网络，集群的其他部分运行另一个网络。因此，每台服务器总共有3.6Tbps带宽。据说，Colossus集群在训练Grok大模型时，凭借Spectrum-X网络平台先进的拥塞控制功能，系统数据吞吐量一直保持在95%。传统以太网在数千条流发生冲突时，只能提供60%的数据吞吐量。那Spectrum-X网络平台究竟是何方神圣呢？1、Spectrum-X的核心组件Spectrum-4 SN5600：SN5600是专为AI优化的51.2Tb/s以太网交换机（如下图所示），支持64个800Gb/s端口或128个400Gb/s端口，通过动态路由技术实现高效流量调度。BlueField-3 DPU：提供400Gb/s的RoCE加速，与交换机协同实现端到端无损网络，减少数据包丢失和延迟。加速软件栈：包括Cumulus、DOCA框架及AI通信库（如NCCL优化），实现全栈性能调优。2、Spectrum-X的核心技术无损动态路由：基于优先级流量控制和逐包路径选择，避免拥塞丢包，有效带宽利用率从60%提升至95%。性能隔离：通过可编程拥塞控制技术，确保多租户环境中不同AI任务互不干扰，性能波动降低2.5倍。自适应路由：解决传统以太网哈希负载不均问题，显著提升存储密集型任务带宽（实测接近物理带宽95%）。小结：xAI公司的Colossus集群，通过Spectrum-X网络平台解决了超大规模AI训练的带宽限制，提升了有效带宽利用率，也推动了以太网从“通用传输”向“AI计算底座”演进，为未来百万GPU级集群提供了参考。
页:
[1]
