重铸AI云纪元：助力超大模型运行的GPU集群

集群资源以提高性能并非新鲜事。在集群技术的早期，Beowulf 项目就证明了商品硬件也可以实现高性能。如今，每当部署某种新技术时就会使用"Beowulf集群备忘录"。例如，“想象一个由Frontier系统组成的Beowulf集群。”有趣的是，GigalO和TensorWave最近的声明更接近现实。      

GigaIO 于今年 6 月推出了首款 32 GPU 单节点超级计算机 SuperNODE。SuperNode 在11月丹佛举行的 2023 年超级计算大会上赢得了两项令人垂涎的 HPCwire 编辑选择奖：最佳人工智能产品或技术奖和五大值得关注的新产品或技术奖。HPCwire 曾报道过 32 GPU GigaiO superNODE 和 64 GPU SuperDuperNODE 的性能。现在，GigaIO 和 TensorWave 似乎已经将“想象一个由这些 GPU 组成的Beowulf集群”铭记于心。     

近日，GigaIO 宣布其旗舰产品 SuperNODE 获得了迄今为止最重要的订单，该产品最终将使用数万台 AMD Instinct MI300X 加速器，这些加速器也在AMD “Advanced AI” 活动上发布。GigaIO的新型基础设施将成为名为 “TensorNODE”的裸机专用人工智能云代码的骨干，该云将由云提供商TensorWave构建，用于访问AMD数据中心GPU，特别是用于大语言模型（LLM）。 

正如GigaIO全球销售首席技术官Matt Demas在接受采访时所说："我们利用我们的SuperNODE为TensorWave创建了一个大型集群。“每个 SuperNODE 都有两台额外的服务器，并可以访问整个 TensorNODE 的所有 GPU 内存。每个 TensorNODE 上还有大量可用的暂存磁盘。             

TensorNODE 部署将以 GigaIO SuperNODE 架构为基础，规模更大，利用 GigaIO 的 PCIe Gen-5 内存结构，提供比传统网络更简单的工作负载设置和部署，并减少相关的性能消耗。         

TensorWave 将利用 GigaIO 的 FabreX 创建首个 PB 级 GPU 内存池，而不会受到非内存中心网络的性能影响。TensorNODE 的第一批产品预计将于 2024 年初开始运行，其架构将在单个 FabreX 存储结构域上支持多达 5,760 个 GPU。由于所有 GPU 都可以访问域内所有其他 GPU 的 VRAM，因此可以实现超大模型。工作负载可以在任何节点的单个作业中访问超过 PB 的 VRAM，从而使最大型的作业也能在创纪录的时间内完成。在整个 2024 年，将部署多个 TensorNODE。

TensorNODE 是全 AMD 解决方案，采用第四代 AMD CPU 和 MI300X 加速器。MI300X 可为每个加速器提供 192GB 的 HBM3 内存，从而实现了 TensorNODE 的预期性能。这些加速器的内存容量与 GigaIO 的内存结构相结合，可在几乎不降低性能的情况下实现近乎完美的扩展，从而解决了分布式内存模型导致的 GPU 内核利用不足或闲置的难题。         

TensorWave 首席执行官 Darrick Horton 表示："TensorWave 很高兴能与 GigaIO 和 AMD 一起将这一创新解决方案推向市场。"我们之所以选择GigaIO平台，是因为它具有卓越的功能，而且GigaIO符合我们的价值观和对开放标准的承诺。我们正在利用这种新型基础设施来支持大规模人工智能工作负载，我们很荣幸能与 AMD 合作，成为首批部署 MI300X 加速器解决方案的云提供商之一。"    

与标准的静态基础设施相比，GigaIO动态基础设施的可组合性为TensorWave提供了独特的灵活性和敏捷性；随着LLM和人工智能用户的需求不断发展，基础设施可以随时调整，以满足当前和未来的需求。此外，TensorWave 的云将比其他云更环保，因为它省去了 GPU 服务器主机（通常每台服务器 4-8 个 GPU）和相关网络设备，从而节省了成本、复杂性、空间、水和电力。

"通过将革命性的 AMD Instinct MI300X 加速器与 GigaIO 的人工智能基础架构（包括我们独特的内存结构 FabreX）相结合，我们很高兴能够为 TensorWave 的基础架构提供大规模支持。这次部署验证了我们重新构想数据中心基础设施的开创性方法，"GigaIO 首席执行官 Alan Benjamin 说。"TensorWave 团队在云计算方面具有远见卓识，在建立和部署非常复杂的加速数据中心方面具有深厚的专业知识。

考虑到 GenAI 模型对内存的需求，GigaIO 和 AMD 提供的巨大内存大小和带宽应该会使 TensorWave TensorNode 吸引许多正在云中构建和提供人工智能解决方案的客户。         

审核编辑：黄飞