现在抢GPU搞智算、搞大模型训练太火了。我们先讲个小故事，把基本概念铺垫一下。
《射雕英雄传》大家都看过了哈，全真七子若是遇到黄老邪这样的BOSS，怎么办？单挑肯定打不过！
怎么办呢，群殴！但群殴也要讲究套路…
于是全真七子组了一个集群，这就是著名的天罡北斗阵。整体战斗力很强，正面硬钢黄老邪不落下风。
全真七子不仅师出同门，而且还是同代弟子。
大家的武功根基、配合默契程度极佳，所以组起阵来，可以运转如行云流水，没什么额外损耗，战斗力最强。
但是，在实际情况下，总能凑得这么整整齐齐，也是不容易的事儿。
比如谭处端遭到老毒物偷袭挂了，七子缺一子，凑不齐一整套了，怎么办？
可是这仗还要打，凑不齐整套的，那就用拼盘的。
本派弟子中的后起之秀可以临时顶一下，外部的好友高手也可以来帮个忙。
于是乎，我们就看到柯大侠上场补位。
跟原装天罡北斗阵相比，虽然默契度不大够，但照样有战斗力，能跟黄药师打个平手。
好了，射雕的故事先告一段落，通过这些练功的骚操作我们想说明几个事实：
1、大模型参数越卷越厉害，已经卷到了超级BOSS级别，不仅单卡不可能搞定，小规模集群也不行，必须万卡集群起步。（比如GPT4在1万-2.5万卡上训练，传说GPT5需要5万张H100）
2、因为各种客观原因（价格因素、供应链因素等等），我们很难凑齐一整套GPU来构建万卡集群。
3、国产卡的逐渐成熟和量产，让我们有机会尝试混合编队，凑一套能打的阵容，既能缓解算力荒，又具备更好的性价比，同时，还能让国产卡有用武之地，在实战中让其武功更加成熟。
事儿就这么个事儿，但是要做起来并不容易，想要搞定多芯混合的AI算力集群，要过好几道坎儿。
我们先看原装「天罡北斗阵」是如何运转的，有三个关键点↓
❶参与布阵的弟子如何心意相通(GPU互通问题)
以N记为例，建立多卡集群，首先要完成GPU卡在物理层面连接：单台服务器内部GPU通过NVLink连接接，不同服务器之间的GPU通过IB或者RoCE网络连接。
下图展示了一台插了8张GPU卡的服务器的服务器内部，互联靠的就是NVLink。↓
多台服务器之间的互联，百度智能云给出的示范是下面这样的，基于RoCE整个拓扑可以完成超过16000台服务器互联，GPU卡的数量超过10万张。
搞定物理连接后，接下来基于N记提供的NCCL（集合通信库），GPU之间就能实现互通互联、数据同步。
然后训练任务就可以一轮轮往下推进，直到大模型训练完成。
这个NCCL，就相当于同门师兄弟那种默契度，具备跨节点通信能力，让多GPU通信更高效、性能更好，还包含了容错能力和稳定性。
所以，这一步，如果用N记同构方案，就像原装全真七子摆阵，轻车熟路，没什么太大挑战。
❷一招一式该怎么拆解(分布式并行策略)
在大模型训练中，为了提高训练速度，需要把任务拆分到集群的所有GPU中，让大家都干活，共同完成任务。
这就是分布式并行策略，有很多种，比如数据并行、流水线并行、张量并行。
流水线并行：把模型按照神经元的层次进行拆分，不同层放到不同的GPU上去。
数据并行：每个GPU都拥有同样的模型副本，数据集则拆分成多份给到不同的GPU进行训练。
张量并行：联合多个GPU同时做一个张量计算，比如说矩阵乘法。
各种并行策略的目的，说白了就是要找到最优团队配合方式，每个人怎么出招。
面对大BOSS的时候，阵中所有人都必须全神贯注，步调一致，出招合理，谁都不能掉链子。
❸对敌时内功怎么运转(如何部署加速套件）
分布式并行策略制定好了，集群中每个GPU都领到了具体任务（一个个算子），为了让GPU更好的完成任务，还要来点加速套件。
也就是说，阵中每个人都要做到出招最伶俐、攻击力最强，这对内力修为要求很高。
这种内力（加速套件）需要包含数据加载、算子计算、多卡通信等各个方面的优化，比如数据预取加速、N记优化的算子加速能力、优化的NCCL能力等等。
小结一下，原装的「天罡北斗阵」，想有牛掰的整体战斗力，需要三板斧。
第一，搞定互联互通；第二，通过合理的分布式并行策略确保每张卡都有活干；第三，通过加速套件，提升每张卡和整体的战力输出。
看起来很有挑战，但大家是同门同派，而且还是同代弟子，同气连枝，所以难度小了很多。
当换成多芯混合算力集群的时候，同样要面临这三板斧，但因为大家不是一个门派的，难度就太大了。
稍不留神，就可能走火入魔。
1、互联互通：昆仑芯服务器内部通过XPU Link连接，服务器间通过标准的RDMA网卡连接，卡卡之间使用XCCL通信库相互通信。昇腾910B服务器内部通过HCCS连接，服务器之间通过华为自研的内置RDMA连接，卡卡之间使用HCCL通信库进行相互通信。
2、并行策略：N记GPU和昆仑芯采用单机8卡的部署方式，昇腾910B则是机内16卡分为2个8卡通信组 。这意味着在AI框架下形成不同的集群拓扑，需要有针对性地制定分布式并行策略。
3、加速套件：由于GPU、昆仑芯、昇腾等芯片在计算能力，显存大小，I/O 吞吐，通信库等均存在差异，故需要面向具体芯片进行特定优化。
不同门派的弟子，内功外功招式套路都不在一个点上，如果在一个阵里，太难协调。
所以，遇到多芯片混合，业界稳妥的做法一般就是：一种芯片一个集群，不掺和，一个门派的弟子，一套阵法。
就解决不了我们前面的问题：抱团组成更大的集群。
如果真让不同门派的弟子，组成一个超级大阵，协同作战，近乎无损输出，就要搞定这几点：互联互通、并行策略、统一加速。
如今，这大模型江湖的顶级难题，被百度百舸攻克了。
百度百舸是如何做的呢？
1、跨芯片互联互通
前面已经讲过，N记GPU、昆仑芯、昇腾910B的物理连接方式和集合通信库都不一样。
于是，百度百舸为了实现跨芯互联互通，使用了CPU转发来实现跨昇腾910B子集群和GPU子集群的连接。
同时，百度自研了集合通信库BCCL，可以实现 GPU、昆仑芯等标准 RDMA 设备的互联互通，使得通信效果达到最优。
这个BCCL呢，你可以认为是NCCL的异构增强版秘笈，可以让异构摆阵的各派弟子能够心意相通。
这样，三类算力卡（GPU、昆仑芯、昇腾910B）即完成了物理互连互通，又做到了心意相通。
超级混合大集群的雏形，就算形成了。
2、自适应并行策略搜索
传统的并行策略，是基于每块GPU能力相同，按照等分的模式拆分大模型和训练数据。
但是，在异构芯片集群里，每家算力卡的能力都不一样，如果分相同的任务给他们，有人可能累到吐血，有的则会闲得蛋疼。
怎么办呢？
当然是根据每块算力卡扛活能力的不同，把原来均匀切分的任务变成不均匀切分，能力强的扛大活，能力弱的扛小活，人尽其力，物尽其用。
这件事其实并不简单，要找到切分任务的最优解：采用什么样组合的分布式并行策略；在不同芯片的子集群中分配多少算量，比如分配多少训练数据，多少模型层数等。
但百度百舸有妙招，百度十数年的AI技术积累形成了一本宝典：AI效能矩阵图谱，记录了不同芯片的计算和I/O效率，以及各种并行策略所需要的计算量、存储量、通信量。
这些图谱数据了然于胸后，百度百舸的AI加速套件AIAK–LLM就可以实现针对多种芯片的自适应并行策略搜索功能，从而快速得到最优切分策略。
有了智能的任务切分策略，各种芯片混搭下的单一集群，在运行大模型多芯混合训练任务时，整体效能就可以实现最大化。
3、加速器抽象
到了这步，就需要解决各门各派内功心法的差异。
既要让集群全局高效运转，又不能让大家自废内功，去统一练一套新的。
于是，百度百舸推出了一个面向应用的「Accelerator 抽象层」，将芯片算子与上层策略解耦开来。
这个抽象层屏蔽了底层芯片在硬件层面的差异，芯片厂商仅需要进行各自芯片的算子调优，百度百舸将之前在N记沉淀的最佳优化策略平滑迁移到各种芯片上。
也就是说，百度百舸通过一个“化功大法”式的神操作，让各门派的原有内力发挥作用，能够打出最佳输出。
同时，还把自己修炼的心法糅合了进去（分布式并行优化、推理服务优化），两重内力叠加，共同提升大阵的战斗力。
这三步走完，混合版的「天罡北斗阵」就算组好了。
实战效果到底怎么样呢？
百度给出了多芯混合训练的效能指标，计算公式是这样的↓
目前，百度百舸的百卡和千卡规模混合效能分别达到了惊人的97%和95%。
什么概念呢？
假设战斗力为100的A门派弟子，战斗力为80的B门派弟子，他们联合组成百人大阵，整体战斗力可以达到：(100+80)×97%=174.6！
至此，百度百舸的混合算力大阵，正式破关而出！
这套方案，可以基于百度智能云公有云交付，为云租户提供高性价比智算服务，也可以通过专有云ABC Stack进行交付，帮助用户建设异构智算中心。
在当下乃至未来相当长一段时间内，GPU算力卡短缺都是常态。
百度百舸的多芯混合训练方案，在算力近乎零损耗的前提下，可以实现新旧算力统一融合，助力大模型训练突破单一算力局限。