關鍵詞：M2芯片；Ultra；M1芯片；UltraFusion；ULTRAMAN；RTX4090、A800;A100；H100；LLAMA、LM、AIGC、CHATGLM、LLVM、LLM、LLMs、GLM、NLP、ChatGPT、AGI、HPC、GPU、CPU、CPU+GPU、英偉達、Nvidia、英特爾、AMD、高性能計算、高性能服務器、藍海大腦、多元異構算力、高性能計算、大模型訓練、大型語言模型、通用人工智能、GPU服務器、GPU集群、大模型訓練GPU集群、大語言模型

摘要：訓練和微調(diào)大型語言模型對于硬件資源的要求非常高。目前，主流的大模型訓練硬件通常采用英特爾的CPU和英偉達的GPU。然而，最近蘋果的M2 Ultra芯片和AMD的顯卡進展給我們帶來了一些新的希望。

蘋果的M2 Ultra芯片是一項重要的技術創(chuàng)新，它為蘋果設備提供了卓越的性能和能效。與此同時，基于AMD軟硬件系統(tǒng)的大模型訓練體系也在不斷發(fā)展，為用戶提供了更多選擇。盡管英偉達沒有推出與蘋果相媲美的200G顯卡，但他們在顯卡領域的競爭仍然激烈。對比蘋果芯片與英偉達、英特爾、AMD的最新硬件和生態(tài)建設，我們可以看到不同廠商在性價比方面帶來了全新的選擇。

藍海大腦為生成式AI應用提供了極具吸引力的算力平臺，與英特爾緊密協(xié)作，為客戶提供強大的大模型訓練和推理能力，加速AIGC創(chuàng)新步伐、賦力生成式AI產(chǎn)業(yè)創(chuàng)新。

在WWDC2023開發(fā)者大會上蘋果推出M2 Ultra芯片，以及搭載該芯片的新款Mac Studio和Mac Pro。這款芯片采用了第二代5nm制程工藝技術，是蘋果迄今為止最大且最強大的芯片。

去年3月，蘋果展示了一種將兩塊M1芯片“粘”在一起的設計，發(fā)布集成1140億顆晶體管、20核CPU、最高64核GPU、32核神經(jīng)網(wǎng)絡引擎、2.5TB/s數(shù)據(jù)傳輸速率、800GB/s內(nèi)存帶寬、128GB統(tǒng)一內(nèi)存的“至尊版”芯片M1 Ultra。延續(xù)M1 Ultra的設計思路，M2 Ultra芯片通過采用突破性的UltraFusion架構，將兩塊M2 Max芯片拼接到一起，擁有1340億個晶體管，比上一代M1 Ultra多出200億個。

UltraFusion是蘋果在定制封裝技術方面的領先技術，其使用硅中介層（interposer）將芯片與超過10000個信號連接起來，從而提供超過2.5TB/s的低延遲處理器間帶寬。基于這一技術，M2 Ultra芯片在內(nèi)存方面比M1 Ultra高出了50%，達到192GB的統(tǒng)一內(nèi)存，并且擁有比M2 Max芯片高兩倍的800GB/s內(nèi)存帶寬。以往由于內(nèi)存不足，即使是最強大的獨立GPU也無法處理大型模型。然而，蘋果通過將超大內(nèi)存帶寬集成到單個SoC中，實現(xiàn)單臺設備可以運行龐大的機器學習工作負載，如大型Transformer模型等。

除蘋果的M2 Ultra在大模型訓練方面取得了顯著進展之外，AMD的生態(tài)系統(tǒng)也在加速追趕。

據(jù)7月3日消息，NVIDIA以其顯著的優(yōu)勢在顯卡領域獲得了公認的地位，無論是在游戲還是計算方面都有著顯著的優(yōu)勢，而在AI領域更是幾乎壟斷。然而，有好消息傳來，AMD已經(jīng)開始發(fā)力，其MI250顯卡性能已經(jīng)達到了NVIDIA A100顯卡的80%。AMD在AI領域的落后主要是因為其軟件生態(tài)無法跟上硬件發(fā)展的步伐。盡管AMD的顯卡硬件規(guī)格很高，但其運算環(huán)境與NVIDIA的CUDA相比仍然存在巨大的差距。最近，AMD升級了MI250顯卡，使其更好地支持PyTorch框架。

MosaicML的研究結果顯示，MI250顯卡在優(yōu)化后的性能提升顯著，大語言模型訓練速度已達到A100顯卡的80%。AMD指出，他們并未為MosaicML進行這項研究提供資助，但表示將繼續(xù)與初創(chuàng)公司合作，以優(yōu)化軟件支持。但需要注意的是，NVIDIA A100顯卡是在2020年3月發(fā)布的，已經(jīng)是上一代產(chǎn)品，而NVIDIA目前最新的AI加速卡是H100，其AI性能有數(shù)倍至數(shù)十倍的提升。AMD的MI250顯卡也不是最新產(chǎn)品，其在2021年底發(fā)布，采用CDNA2架構，6nm工藝，擁有208個計算單元和13312個流處理器核心，各項性能指標比MI250X下降約5.5%，其他規(guī)格均未變動。

AMD體系的特點如下：

一、LLM訓練非常穩(wěn)定

使用AMD MI250和NVIDIA A100在MPT-1B LLM模型上進行訓練時，從相同的檢查點開始，損失曲線幾乎完全相同。

二、性能與現(xiàn)有的A100系統(tǒng)相媲美

MosaicML對MPT模型的1B到13B參數(shù)進行了性能分析發(fā)現(xiàn)MI250每個GPU的訓練吞吐量在80%的范圍內(nèi)與A100-40GB相當，并且與A100-80GB相比在73%的范圍內(nèi)。隨著AMD軟件的改進，預計這一差距將會縮小。

三、基本無需代碼修改

得益于PyTorch對ROCm的良好支持，基本上不需要修改現(xiàn)有代碼。

一、英偉達顯卡與M2 Ultra 相比性能如何

在傳統(tǒng)英特爾+英偉達獨立顯卡架構下，CPU與GPU之間的通信通常通過PCIe進行。最強大的H100支持PCIe Gen5，傳輸速度為128GB/s，而A100和4090則支持PCIe 4，傳輸速度為64GB/s。

另一個重要的參數(shù)是GPU的顯存帶寬，即GPU芯片與顯存之間的讀寫速度。顯存帶寬是影響訓練速度的關鍵因素。例如，英偉達4090顯卡的顯存帶寬為1.15TB/s，而A100和H100的顯存帶寬分別為1.99TB/s和3.35TB/s。

最后一個重要的參數(shù)是顯存大小，它指的是顯卡上的存儲容量。目前，4090是消費級顯卡的頂級選擇，顯存大小為24GB，而A100和H100單張顯卡的顯存大小均為80GB。這個參數(shù)對于存儲大規(guī)模模型和數(shù)據(jù)集時非常重要。

M2 Ultra的芯片參數(shù)和4090以及A100的對比（CPU采用英特爾最新的i9-13900KS）

從這些參數(shù)來看，蘋果的M2 Ultra相對于英偉達的4090來說性能稍低，與專業(yè)級顯卡相比則較為遜色。然而，M2 Ultra最重要的優(yōu)勢在于統(tǒng)一內(nèi)存，即CPU讀寫的內(nèi)存可以直接被顯卡用作顯存。因此，擁有192GB的顯存幾乎相當于8個4090或者2.5個A100/H100的顯存。這意味著單個M2 Ultra芯片可以容納非常大的模型。例如，當前開源的LLaMA 65B模型需要120GB的顯存才能進行推理。這意味著蘋果的M2 Ultra可以直接適用于LLaMA 65B，而目前沒有其他芯片能夠單獨承載如此龐大的模型，甚至包括最新的H100。

從上述參數(shù)對比來看，M2 Ultra在其他指標接近4090的情況下，顯存大小成為其最大的優(yōu)勢。盡管M2 Ultra并非專為大模型訓練而設計，但其架構非常適合進行大模型訓練。

在上層生態(tài)方面，進展也非常良好。2022年5月18日，PyTorch宣布支持蘋果芯片，并開始適配M1 Ultra，利用蘋果提供的芯片加速庫MPS進行加速Ultra上使用PyTorch進行訓練。以文本生成圖片為例，它能夠一次性生成更多且更高精度的圖片。

二、NVIDIA為什么不推出一款200GB顯存以上的GPU？

主要原因可以分為以下幾點：

1、大語言模型火起來還沒多久；

2、顯存容量和算力是要匹配的，空有192GB顯存，但是算力不足并無意義；

3、蘋果大內(nèi)存，適合在本地進行推理，有希望引爆在端側部署AI的下一輪熱潮。

從2022年11月ChatGPT火起來到現(xiàn)在，時間也不過才半年時間。從項目立項，到確定具體的規(guī)格，再到設計產(chǎn)品，并且進行各種測試，最終上市的全流程研發(fā)時間至少在一年以上。客觀上講，大語言模型形成全球范圍的熱潮，一定會帶動對于顯存容量的需求。英偉達未來顯存容量的升級速度一定會提速。

過去之所以消費級顯卡的顯存容量升級較慢，根本原因是沒有應用場景。8GB的消費級顯卡用來打游戲足矣，加速一些視頻剪輯也綽綽有余。更高的顯存容量，只能服務于少量科研人員，而且大多都去買了專業(yè)卡專門應用?，F(xiàn)在有了大語言模型，可以在本地部署一個開源的模型。有了對于顯存的明確需求，未來一定會快速提升顯存容量的。

其次，蘋果有192GB的統(tǒng)一內(nèi)存可以用于大語言模型的“訓練”。這個認知是完全錯誤的。AI模型可以分為訓練（train）、微調(diào)（fine-tune）和推理(inference)。簡單來說，訓練就是研發(fā)人員研發(fā)AI模型的過程，推理就是用戶部署在設備上來用。從算力消耗上來說，是訓練>微調(diào)>推理，訓練要比推理的算力消耗高至少3個數(shù)量級以上。

訓練也不純粹看一個顯存容量大小，而是和芯片的算力高度相關的。因為實際訓練的過程當中，將海量的數(shù)據(jù)切塊成不同的batch size，然后送入顯卡進行訓練。顯存大，意味著一次可以送進更大的數(shù)據(jù)塊。但是芯片算力如果不足，單個數(shù)據(jù)塊就需要更長的等待時間。

顯存和算力，必須要相輔相成。在有限的產(chǎn)品成本內(nèi)，兩者應當是恰好在一個平衡點上?，F(xiàn)階段英偉達的H100能夠廣泛用于各大廠商的真實模型訓練，而不是只存在于幾個自媒體玩具級別的視頻里面，說明H100能夠滿足廠商的使用需要。

要按蘋果的顯存算法，一塊Grace Hopper就超過了啊。一塊Grace Hopper的統(tǒng)一內(nèi)存高達512GB，外加Hopper還有96GB的獨立顯存，早就超了。

AI技術的蓬勃發(fā)展使得NVIDIA的顯卡成為市場上備受矚目的熱門產(chǎn)品。尤其是高端的H100加速卡，其售價超過25萬元，然而市場供不應求。該加速卡的性能也非常驚人，最新的AI測試結果顯示，基于GPT-3的大語言模型訓練任務刷新了記錄，完成時間僅為11分鐘。

據(jù)了解，機器學習及人工智能領域的開放產(chǎn)業(yè)聯(lián)盟MLCommons發(fā)布了最新的MLPerf基準評測。包括8個負載測試，其中就包含基于GPT-3開源模型的LLM大語言模型測試，這對于評估平臺的AI性能提出了很高的要求。

參與測試的NVIDIA平臺由896個Intel至強8462Y+處理器和3584個H100加速卡組成，是所有參與平臺中唯一能夠完成所有測試的。并且，NVIDIA平臺刷新了記錄。在關鍵的基于GPT-3的大語言模型訓練任務中，H100平臺僅用了10.94分鐘，與之相比，采用96個至強8380處理器和96個Habana Gaudi2 AI芯片構建的Intel平臺完成同樣測試所需的時間為311.94分鐘。

H100平臺的性能幾乎是Intel平臺的30倍，當然，兩套平臺的規(guī)模存在很大差異。但即便只使用768個H100加速卡進行訓練，所需時間仍然只有45.6分鐘，遠遠超過采用Intel平臺的AI芯片。

H100加速卡采用GH100 GPU核心，定制版臺積電4nm工藝制造，擁有800億個晶體管。它集成了18432個CUDA核心、576個張量核心和60MB的二級緩存，支持6144-bit HBM高帶寬內(nèi)存以及PCIe 5.0接口。

H100計算卡提供SXM和PCIe 5.0兩種樣式。SXM版本擁有15872個CUDA核心和528個Tensor核心，而PCIe 5.0版本則擁有14952個CUDA核心和456個Tensor核心。該卡的功耗最高可達700W。

就性能而言，H100加速卡在FP64/FP32計算方面能夠達到每秒60萬億次的計算能力，而在FP16計算方面達到每秒2000萬億次的計算能力。此外，它還支持TF32計算，每秒可達到1000萬億次，是A100的三倍。而在FP8計算方面，H100加速卡的性能可達每秒4000萬億次，是A100的六倍。

藍海大腦大模型訓練平臺提供強大的支持，包括基于開放加速模組高速互聯(lián)的AI加速器。配置高速內(nèi)存且支持全互聯(lián)拓撲，滿足大模型訓練中張量并行的通信需求。支持高性能I/O擴展，同時可以擴展至萬卡AI集群，滿足大模型流水線和數(shù)據(jù)并行的通信需求。強大的液冷系統(tǒng)熱插拔及智能電源管理技術，當BMC收到PSU故障或錯誤警告（如斷電、電涌，過熱），自動強制系統(tǒng)的CPU進入ULFM（超低頻模式，以實現(xiàn)最低功耗）。致力于通過“低碳節(jié)能”為客戶提供環(huán)保綠色的高性能計算解決方案。主要應用于深度學習、學術教育、生物醫(yī)藥、地球勘探、氣象海洋、超算中心、AI及大數(shù)據(jù)等領域。

一、為什么需要大模型？

1、模型效果更優(yōu)

大模型在各場景上的效果均優(yōu)于普通模型

2、創(chuàng)造能力更強

大模型能夠進行內(nèi)容生成（AIGC），助力內(nèi)容規(guī)?；a(chǎn)

3、靈活定制場景

通過舉例子的方式，定制大模型海量的應用場景

4、標注數(shù)據(jù)更少

通過學習少量行業(yè)數(shù)據(jù)，大模型就能夠應對特定業(yè)務場景的需求

二、平臺特點

1、異構計算資源調(diào)度

一種基于通用服務器和專用硬件的綜合解決方案，用于調(diào)度和管理多種異構計算資源，包括CPU、GPU等。通過強大的虛擬化管理功能，能夠輕松部署底層計算資源，并高效運行各種模型。同時充分發(fā)揮不同異構資源的硬件加速能力，以加快模型的運行速度和生成速度。

2、穩(wěn)定可靠的數(shù)據(jù)存儲

支持多存儲類型協(xié)議，包括塊、文件和對象存儲服務。將存儲資源池化實現(xiàn)模型和生成數(shù)據(jù)的自由流通，提高數(shù)據(jù)的利用率。同時采用多副本、多級故障域和故障自恢復等數(shù)據(jù)保護機制，確保模型和數(shù)據(jù)的安全穩(wěn)定運行。

3、高性能分布式網(wǎng)絡

提供算力資源的網(wǎng)絡和存儲，并通過分布式網(wǎng)絡機制進行轉發(fā)，透傳物理網(wǎng)絡性能，顯著提高模型算力的效率和性能。

4、全方位安全保障

在模型托管方面，采用嚴格的權限管理機制，確保模型倉庫的安全性。在數(shù)據(jù)存儲方面，提供私有化部署和數(shù)據(jù)磁盤加密等措施，保證數(shù)據(jù)的安全可控性。同時，在模型分發(fā)和運行過程中，提供全面的賬號認證和日志審計功能，全方位保障模型和數(shù)據(jù)的安全性。

三、常用配置

目前大模型訓練多常用H100、H800、A800、A100等GPU顯卡，其中H100 配備第四代 Tensor Core 和 Transformer 引擎（FP8 精度），與上一代產(chǎn)品相比，可為多專家 (MoE) 模型提供高 9 倍的訓練速度。通過結合可提供 900 GB/s GPU 間互連的第四代 NVlink、可跨節(jié)點加速每個 GPU 通信的 NVLINK Switch 系統(tǒng)、PCIe 5.0 以及 NVIDIA Magnum IO? 軟件，為小型企業(yè)到大規(guī)模統(tǒng)一 GPU 集群提供高效的可擴展性。

搭載 H100 的加速服務器可以提供相應的計算能力，并利用 NVLink 和 NVSwitch 每個 GPU 3 TB/s 的顯存帶寬和可擴展性，憑借高性能應對數(shù)據(jù)分析以及通過擴展支持龐大的數(shù)據(jù)集。通過結合使用 NVIDIA Quantum-2 InfiniBand、Magnum IO 軟件、GPU 加速的 Spark 3.0 和 NVIDIA RAPIDS?，NVIDIA 數(shù)據(jù)中心平臺能夠以出色的性能和效率加速這些大型工作負載。

1、H100工作站常用配置

CPU：英特爾至強Platinum 8468 48C 96T 3.80GHz 105MB 350W *2

內(nèi)存：動態(tài)隨機存取存儲器64GB DDR5 4800兆赫 *24

存儲：固態(tài)硬盤3.2TB U.2 PCIe第4代 *4

GPU ：Nvidia Vulcan PCIe H100 80GB *8

平臺 ：HD210 *1

散熱 ：CPU+GPU液冷一體散熱系統(tǒng) *1

網(wǎng)絡 ：英偉達IB 400Gb/s單端口適配器 *8

電源：2000W(2+2)冗余高效電源 *1

2、A800工作站常用配置

CPU：Intel 8358P 2.6G 11.2UFI 48M 32C 240W *2

內(nèi)存：DDR4 3200 64G *32

數(shù)據(jù)盤：960G 2.5 SATA 6Gb R SSD *2

硬盤：3.84T 2.5-E4x4R SSD *2

網(wǎng)絡：雙口10G光纖網(wǎng)卡（含模塊）*1

           雙口25G SFP28無模塊光纖網(wǎng)卡（MCX512A-ADAT ）*1

GPU：HV HGX A800 8-GPU 8OGB *1

電源：3500W電源模塊*4

其他：25G SFP28多模光模塊 *2

        單端口200G HDR HCA卡(型號:MCX653105A-HDAT) *4

         2GB SAS 12Gb 8口 RAID卡 *1

         16A電源線纜國標1.8m *4

         托軌 *1

         主板預留PCIE4.0x16接口 *4

         支持2個M.2 *1

         原廠質(zhì)保3年 *1

3、A100工作站常用配置

CPU：Intel Xeon Platinum 8358P_2.60 GHz_32C 64T_230W *2

RAM：64GB DDR4 RDIMM服務器內(nèi)存 *16

SSD1：480GB 2.5英寸SATA固態(tài)硬盤 *1

SSD2：3.84TB 2.5英寸NVMe固態(tài)硬盤 *2

GPU：NVIDIA TESLA A100 80G SXM *8

網(wǎng)卡1：100G 雙口網(wǎng)卡IB 邁絡思 *2

網(wǎng)卡2：25G CX5雙口網(wǎng)卡 *1

4、H800工作站常用配置

CPU：Intel Xeon Platinum 8468 Processor,48C64T,105M Cache 2.1GHz,350W *2

內(nèi)存 ：64GB 3200MHz RECC DDR4 DIMM *32

系統(tǒng)硬盤：intel D7-P5620 3.2T NVMe PCle4.0x4 3DTLCU.2 15mm 3DWPD *4

GPU：NVIDIA Tesla H800 -80GB HBM2 *8

GPU網(wǎng)絡：NVIDIA 900-9x766-003-SQO PCle 1-Port IB 400 OSFP Gen5 *8

存儲網(wǎng)絡 ：雙端口 200GbE IB *1

網(wǎng)卡 ：25G網(wǎng)絡接口卡 雙端口 *1