編輯 | 虞爾湖
出品 | 潮起網(wǎng)「于見專欄」
在AI算力軍備競賽中，參數(shù)規(guī)模儼然成為唯一話語權(quán)。尤其近兩年某廠高調(diào)推出384卡超節(jié)點后，幾度宣稱“撕裂AI天花板”、“領(lǐng)先英偉達一代”，引起輿論場一片歡騰。但喧囂過后，一個尖銳的問題浮出水面：這種堆砌參數(shù)的“算力怪獸”，應(yīng)該以何種姿態(tài)平穩(wěn)著陸？
光模塊的詛咒：“修的時間”比“跑的時間”多？
毋庸置疑，超節(jié)點的核心賣點是大規(guī)模高速互聯(lián)。比如在某廠的產(chǎn)品設(shè)計中，為了實現(xiàn)384張卡的全Mesh互聯(lián)，必須依賴極其密集的光模塊組網(wǎng)，造就一臺精密且繁雜的算力大機器。
公開資料顯示，某384超節(jié)點配置了6912個光模塊，***用了總長度達316公里的3168根光纖。這個數(shù)字也意味著，僅單個超節(jié)點內(nèi)的光模塊數(shù)量，就相當(dāng)于一個小型數(shù)據(jù)中心的總和。而被頻繁使用光模塊，恰恰是算力集群中最脆弱的環(huán)節(jié)。
在業(yè)內(nèi)，大規(guī)模集群運維有一個“心照不宣”的秘密：光模塊故障是TOP級硬件故障。由于機房環(huán)境難以做到100%無塵，光模塊端面臟污、松動問題幾乎無法避免。
根據(jù)某廠商官方技術(shù)文檔數(shù)據(jù)，其大規(guī)模集群包含數(shù)萬個光模塊，年失效率達4‰，而光模塊臟污、松動是導(dǎo)致業(yè)務(wù)劣化或中斷的首要原因。
把這一數(shù)字放到384超節(jié)點上計算：近7000個光模塊，意味著每年僅光模塊的自然失效就接近30個。這還不包括因灰塵污染導(dǎo)致的性能劣化、閃斷等“***殺手”。
更致命的是故障定位的復(fù)雜度。當(dāng)一條光路出現(xiàn)問題，涉及的不僅僅是光模塊本身，還有兩端設(shè)備、連接器、配線架。傳統(tǒng)運維方式需要網(wǎng)絡(luò)和計算領(lǐng)域?qū)I(yè)人員攜帶專業(yè)檢測設(shè)備，到機房現(xiàn)場通過重插交叉驗證判斷故障，耗時通常數(shù)小時。
在384這種超大規(guī)模組網(wǎng)中，光鏈路數(shù)量超過11萬條，傳統(tǒng)檢測手段根本無從下手。有運維人士直言：“這種規(guī)模的光模塊集群，修的時間比跑的時間多是常態(tài)。今天換一個，明天壞兩個，算法工程師等著出結(jié)果，運維工程師在機房里滿頭大汗——這還怎么商用？”
ASIC的孤島：代碼遷移的“天塹”
在超節(jié)點算力賽道中，如果說光模塊問題還能靠堆人力勉強應(yīng)對，那么生態(tài)封閉帶來的問題，正在從根上掐斷部分用戶的使用意愿。
相較于主流生態(tài)，某384超節(jié)點基于ASIC架構(gòu)，推行的是相對封閉的技術(shù)體系。對于CUDA開發(fā)者來說，這意味著過去幾年積累的代碼資產(chǎn)，可能面臨“推倒重來”。
一位業(yè)內(nèi)人士透露，基于該平臺的模型訓(xùn)練效果一直不及預(yù)期，導(dǎo)致團隊在壓力下無奈選擇“套殼”、“續(xù)訓(xùn)”等權(quán)宜之計，甚至小模型實驗室至今仍需要依賴英偉達加速卡。坊間甚至傳出“NPU只能用來推理，從效率效果上根本不適合做訓(xùn)練”的尖銳評價。
更深層次的原因則在于，ASIC架構(gòu)與主流的GPGPU路線存在天然隔閡。兩者在架構(gòu)上幾乎不兼容，軟件遷移更是難上加難。有分析指出，若從ASIC轉(zhuǎn)向GPGPU，原平臺推理引擎與API要大規(guī)模重構(gòu)，推理模型、算法代碼、系統(tǒng)適配都需重寫。
對于已經(jīng)走上封閉路線的用戶來說，更大的噩夢還在后面：一旦廠商調(diào)整技術(shù)路線，已購買的硬件、配套板卡、開發(fā)框架可能被棄用，面臨二次投入和算力平臺重構(gòu)成本。
一位用戶無奈吐槽：“買了之后才發(fā)現(xiàn)，現(xiàn)在只能跑那幾個固定的Demo。想跑點自己的模型？先派一個團隊過來做半年遷移。”
而從某廠最新動態(tài)來看，其底層加速卡從ASIC轉(zhuǎn)向GPGPU已成定局。這一進程也再次加劇了配套超節(jié)點產(chǎn)品的遷移問題，現(xiàn)階段實現(xiàn)大規(guī)模商用變得越發(fā)艱難。
部署之痛：從“周級上線”到“月級等待”
超節(jié)點的價值，在于將高端大算力“拽進現(xiàn)實”，而不是把紙面參數(shù)“擺上神壇”。然而考慮到384規(guī)格的部署復(fù)雜度，此前讓人熱血沸騰的性能突破遠(yuǎn)遠(yuǎn)還未著陸。
據(jù)某廠商技術(shù)文檔披露，在大規(guī)模組網(wǎng)情況下，手工配置連線極易接錯，而接錯問題人工排查困難。另外軟件和固件升級也依賴手工配置，升級時間可能超過用戶維護窗口期。為此，該廠不得不推出專門的運維軟件，試圖通過自動化工具緩解部署難題。
顯然，這是一種典型的“頭痛醫(yī)頭，腳痛醫(yī)腳”，很難徹底根除所有問題。
以開局部署為例，384超節(jié)點涉及12個計算柜和4個總線柜，需要對接的不僅僅是硬件，還有網(wǎng)絡(luò)配置、存儲對接、軟件安裝、模型適配等一系列環(huán)節(jié)。即便有自動化工具加持，官方宣稱的“周級上線”在實際機房環(huán)境中，往往被拉長到半個月甚至一個月。
更別提日常的調(diào)試和維護。當(dāng)故障發(fā)生時，運維人員面對的是密密麻麻的光纖和數(shù)不清的指示燈。一位經(jīng)歷過大規(guī)模集群調(diào)試的工程師感嘆：“每次進機房前都要做心理建設(shè)。調(diào)試一次要一周，中間還可能因為各種奇怪的問題卡住。”
這種看起來高大上的昂貴造物，在落地起始環(huán)節(jié)就被打上了“很難伺候”的標(biāo)簽。面向一日三變的大模型迭代應(yīng)用節(jié)奏，不由讓人疑問，它真的符合國產(chǎn)AI用戶的現(xiàn)實需求嗎？
某行業(yè)媒體在報道中直言，384與英偉達2022年的DGX H100 NVL256“Ranger”頗為相似。但由于成本、功耗和可靠性等問題，NV最終放棄了將該平臺投入生產(chǎn)。有人更進一步指出：“從AI產(chǎn)業(yè)化發(fā)展角度來說，這套方案目前對于國內(nèi)用戶也是‘有價無市’，難以落地。”
結(jié)語：超節(jié)點算力不是用來“秀”的
在某些超節(jié)點產(chǎn)品宣傳敘事中，往往會被塑造成“突破算力邊界”的劃時代產(chǎn)物。但一個根本性問題被有意無意忽略：對于絕大多數(shù)AI企業(yè)，是否愿意為華而不實的算力造景買單？
這種擔(dān)憂并非空穴來風(fēng)。近年來，市場上已傳出某騰算力中心閑置率較高、場景應(yīng)用范圍狹窄的聲音。當(dāng)一款產(chǎn)品只能服務(wù)于極少數(shù)頭部玩家，大多數(shù)企業(yè)連“看一眼”的資格都沒有，它究竟是產(chǎn)業(yè)福音，還是參數(shù)競賽的產(chǎn)物？
中國AI當(dāng)然需要超節(jié)點算力。不過要注意的是，AI算力的終極價值是支撐業(yè)務(wù)創(chuàng)新、加速模型迭代、降低開發(fā)門檻，我們需要的更多是能用、好用、用得起的算力產(chǎn)品，絕非讓部署運維“一個頭兩個大”的昂貴玩具。真正的技術(shù)突破，也從來不是參數(shù)上的遙遙領(lǐng)先，而是在最廣泛的用戶群體中，把算力低成本、高效率地轉(zhuǎn)化為生產(chǎn)力。返回搜狐，查看更多
