3月13日消息，美國時間周二，Facebook母公司Meta公布了兩個數據中心規模新集群的技術細節，它們各自擁有超過2.4萬個GPU，並在硬件、網絡、存儲、設計、性能和軟件等方面上，專爲支持大型語言模型如Llama 3進行訓練而深度優化。
這兩個新集群基于Meta先前研究超級集群（RSC）的成功。RSC自2022年啓用以來，已展現出強大的計算力。
在硬件配置方面，每個集群都配備了24576個英偉達Tensor Core H100 GPU（每個數萬美元），與之前使用的16000個英偉達A100 GPU相比有了明顯提升，這將極大地促進自然語言處理、語音識別和圖像生成等人工智能研究和開發工作。
Meta表示，這種升級不僅在數量上有所增加，其性能上的躍進也將支持更大、更複雜的模型，爲生成式人工智能産品的開發鋪平道路。
Meta計劃在2024年底之前，將其人工智能基礎設施擴大到高達35萬個H100 GPU。目標是擁有相當于近60萬個H100 GPU的算力。
圖片來源：Meta官方博客
雖然兩個新集群的GPU數量相同，但它們在網絡基礎設施方面各有差異，均支持400 Gbps端點之間的互聯。其中一個集群采用了基于Arista 7800交換機配合Wedge400和Minipack2 OCP機架交換機的遠程直接內存訪問（RDMA）和融合以太網（RoCE）網絡解決方案，而另一個則應用了英偉達Quantum2 InfiniBand網絡架構。
值得一提的是，兩個集群均基于Meta自研的開放GPU硬件平台Grand Teton構建，這是公司爲支撐大型AI工作負載而開發的GPU基礎硬件平台。作爲Zion-EX平台的後續産品，Grand Teton在主機到GPU的帶寬、計算及數據網絡帶寬、以及功率包絡等方面都實現了顯著的增強。
此外，這些集群充分利用了Meta專爲Grand Teton等方案設計的Open Rack電源和機架架構，提高了數據中心的靈活性。
Meta的Open Rack v3硬件設計引入了一個靈活的機架配置方案。與傳統的固定母線設計相比，它允許在機架中的任意位置安裝電源架，從而使機架配置更加靈活。
在建設這些新集群時，Meta特別關注了每台服務器吞吐量、機架數量減少及能源效率之間的平衡。通過對機架內服務器數量的定制化設計，Meta確保了這些集群在提供高性能的同時，也達到了能源的高效利用。
在存儲技術上，這些集群運用了Linux Filesystem中的Userspace API，並得到了Meta自家Tectonic分布式存儲方案的加持。與此同時，Meta還與Hammerspace合作，一道開發了並行網絡文件系統（NFS）。
兩個集群均基于配備了最新高容量E1.S SSD的YV3 Sierra Point服務器平台。爲了優化網絡利用率，Meta進行了網絡拓撲和路由的調整，並部署了英偉達的集體通信庫（NCCL）。NCCL是一套針對英偉達GPU和網絡進行優化的標准通信例程庫。
Meta還在積極推進其PyTorch基礎AI框架的發展，以應對數十萬GPU的訓練需求。Meta的技術項目經理凱文·李（Kevin Lee）、生産網絡工程師阿迪·甘吉迪（Adi Gangidi）以及生産工程總監馬修·奧爾德姆（Mathew Oldham）在最新博客中共同表達了公司的技術願景和戰略。他們強調，Meta將致力于人工智能軟件和硬件的開放式創新，啓動人工智能聯盟，建立一個開放的生態系統，“爲人工智能開發帶來透明度、審查和信任，並帶來每個人都能從中受益的創新，這些創新以安全和責任爲首要考慮因素”。
這篇博文繼續強調：“面對未來，我們意識到昨天和今天有效的方法可能無法滿足明天的需求。因此，Meta將不斷評估和改進其基礎設施的各個方面，從物理和虛擬層到軟件層等。我們的目標是創建一個既靈活又可靠的系統，以支撐快速發展中的新模型和研究工作。”---（小小/來源: 易科技報導）
