如何搭建一个 10 万块显卡的集群？
150MW的功率大致相当于一个有15万家庭的用电功率，也就是说，这个耗电量大致相当于一个中等城市的用电量。
大家好，今天跟大家分享的是马斯克的xAI如何在122天的时间里，如何用10万块显卡，搭建出目前世界上最强的算力集群。注意是最强，没有之一。
目前这个集群的算力，大概用 4 天的时间就可以训练一个 GPT-4的模型。
我们可以比较一下，根据公开可以获得的消息，GPT-4 的训练使用了约25,000个NVIDIA A100 GPU，持续了 90至100天。 成本我们可以先从宏观的角度来看搭建一个10万块显卡的集群有哪些
成本？
-硬件：40 亿美金
-电力：150MW
整理了一下数据，因为美国能源比较丰富，所以电价还是比较便宜的。整个机房的核心耗电大概一半会在GPU服务器上，另外一半会在普通的PC服务器和一些网络设备上面。
电力系统
三相电源
每个机架配备多个三相电源条，为GPU和其他组件提供稳定电力。三相电源能够更高效地支持高功率设备运行，减少单相系统可能带来的不均匀负载问题。
使用特斯拉 Megapack 电池组
每个Megapack的储能容量达3.9MWh，Megapack作为超级计算机和电网之间的 能量缓冲器，帮助平滑负载波动。这个实际上就是UPS，因为UPS的核心就是一个大电池加一个逆变器。因为电网的电压实际上不稳定的，所以外面的能源首先会经过Megapack 的电池组。
硬件部署
基于八路HGX GPU板卡的Supermicro机架级系统，每一个机器是4U的，上面安装8块H100的显卡，每个机架上部署8个4U的GPU服务器。每8个机架组成一个阵列，共 512片GPU。
散热系统
GPU 服务的显卡使用液冷散热
液冷系统（核心技术）
因为散热液体的导热效率更高，所以发热量大的核心部件使用液冷散热，可快速把热量带到液体中。
冷却液由每个机架底部的 冷却分配单元（Cooling Distribution Unit, CDU）提供，冷却液通过机架内的分配管道输送到各服务器，流经GPU液冷模块（NVIDIA HGX 托盘）和CPU液冷模块（x86 CPU和PCIe交换机）。
每个机架上的CDU都是冗余设计的。每个机架都有两套独立的CDU模块，CDU冷却单元、管道连接和冷却模块均支持在线热插拔。
冷却液带走设备的热量后返回CDU，再通过机房冷却系统循环降温。
风冷系统（辅助散热）
除了核心部件，例如GPU，这些部件，其它的芯片，像网卡、电源也会产生热量。用于冷却内存（DIMM）、电源单元、主板管理控制器（BMC）、网络卡。风扇从机架前部吸入冷空气，将冷却后的热空气从后部排出。
网络拓扑
我们首先可以看到服务器后面插了一排网线，我们可以数一下，一共8根，每一根网线的速度都是400GbE的速度。整体的速度可以达到3.6Tbps。
达到这种速度的网线，虽然还是以太网的技术，但是这个网线已经不是同轴电缆，只能是光纤。
这些显卡可以直接通过网线通过RDMA技术直接和另一台服务器的GPU通信，这个通信直接是显存对显存，不需要通过CPU，避免数据的多次复制。
大家仔细看，旁边这里还有一根网线，这是给CPU使用的，主要用于网络和管理功能。
RDM
ARDMA（Remote Direct Memory Access）是一种高性能数据传输技术，它允许计算机直接通过网络访问另一台计算机的内存，而无需操作系统的参与，从而显著降低了延迟和CPU用率。一般可以做到微秒级别的延迟，一半TCP/IP都是毫秒级的。
NVLink
主要用于本机的GPU和GPU，以及GPU到CPU的通信。
训练架构
架构的设计主要是为了提高容错性，从而提高任务的并行度。从宏观的角度来看，并行主要可以分为指令并行和数据并行。
数据并行
每个GPU保留模型的完整副本，处理不同的数据分片。优点是通信需求较低，适合内存足够大的GPU，但对于超大模型可能受限于显存，对于GPT-4这种级别的模型显然是不够。
张量并行
简单来讲就是把神经网络的的每一层分布到不同的GPU去计算，包括线性变换、激活函数、注意力机制等。张量并行的目标是将每一层的计算拆分为多个部分，分布到不同的GPU上处理，从而实现并行化。这个需要低延迟的通信环境。
参考资料
https://semianalysis.com/2024/06/17/100000-h100-clusters-powe...
https://resources.nvidia.com/en-us-tensor-core/gtc22-whitepap...
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。