C114讯 10月11日消息（岳明）大模型需要大算力，大算力需要大集群，大集群需要大网络！

如何去构建这张大网络，在本周举行的“Advancing AI 2024”上，AMD给出了明确的答案：全面拥抱以太网，全面拥抱DPU。

UEC加速成熟：Ethernet is the answer

与传统数据中心存在很大不同，主要由GPU服务器联网构成的智算中心需要完全不同的网络架构。

当大模型训练时，并行计算节点越多，通信效率越重要，智算网络性能成为集群算力提升的关键。但传统网络技术难以适应大规模AI集群的发展需求，在实际组网过程中面临着四大难题：大规模网络拥塞控制难、突发大象流负载均衡难、巨量链路长期稳定运行难、敏感隐私数据安全保障难。

对此，业界有几种不同的解决方案。比如英伟达主导的InfiniBand，虽然现在市占率很高，但InfiniBand在产业开放性、部署成本方面非常不友好。另外就是从底层革新传统以太网机制，在最大限度的利用以太网产业开放性和成熟性的同时，重构高扩展、高稳定、高可靠的以太网堆栈，满足大规模AI和HPC不断增长的网络需求。UEC就是该技术路径的典型代表，通过构建支持RoCE（RDMA over Converged Ethernet）的无损网络，做到不丢包，支持以太网RDMA，满足高带宽和高利用率需求。

在“Advancing AI 2024”上，AMD执行副总裁，数据中心解决方案事业部总经理Forrest Norrod就指出，网络成为制约AI系统性能的关键，平均30%的训练时间被用来等待联网；而在训练和分布式推理中，通信更是占40%-75%的时间。这对于动辄部署万卡集群的用户而言是难以承受的。

在他看来，UEC是AI网络变革的首选：从总体拥有成本（TCO）角度来看，相比较于InfiniBand，以太网下降了50%；可扩展性角度来看，以太网可以支持高达100万+GPU的超大规模集群部署，远远超过InfiniBand；从生态系统的角度来看，UEC联盟已经有超过97名成员，其中包括微软、Meta、AMD、博通等众多大厂，UEC1.0规范也将在明年一季度发布。有意思的是，英伟达在前段时间也加入了UEC。

在“Advancing AI 2024”的现场，不仅是AMD，思科、微软等多位技术负责人均进行了分享。他们认为在当前的RDMA 环境下，超以太网协议有望支持百万节点互联，同时以太网的开放特性，能够让诸如LPO等新技术加速渗透，带来高性价比、高容量、高开放程度的AI网络。

第三代DPU Salina：以AI速度交付网络创新

在AMD的AI网络战略拼图中，既有关注底层芯片级互联的Infinity Fabric，极具性能优势的在AMD的AI网络战略拼图中，既有关注底层芯片级互联的Infinity Fabric，但DPU占据了更为重要的版图。

对于云服务提供商而言，要实现利益最大化，就必须要充分释放CPU/GPU等算力资源。云服务先驱亚马逊率先引入了DPU概念和产品，实现将网络、存储、管理、安全和监控等工作负载一并卸载，而这也为亚马逊赢得了市场先机。

DPU的好处得到用户的广泛认可。2022年4月，AMD斥资19亿美元购买DPU厂商Pensando，并成功实现了第一代Capri和第二代Elba两大DPU的量产。在“Advancing AI 2024”的现场，AMD正式发布了采用P4引擎的第三代DPU产品—Salina，以AI速度交付网络创新。

从AMD提供的产品技术规格上来看，Salina采用5nm制程工艺打造，实现两倍于上一代的性能。而且，AMD Pensando DPU支持软件前向兼容，节省了应用程序开发所需的时间。在性能方面，Salina最高支持800G（400G*2）网络，这与AI数据中心网络演进是完全匹配的，同时Salina支持完全可编程，具备相当的灵活性。

在会议现场，包括IBM云、微软Azure、甲骨文云、思科等用户的技术高管也都谈到了AMD Pensando DPU在不同应用场景中的价值。微软Azure主要是用基于DPU的智能交换机来完成SDN解耦，而甲骨文云和IBM云则是硬件上用到DPU卡，软件上除了使用Pensando提供的SDK和库，还有定制的逻辑应用，方便客户添加软件定义的服务。