针对这一行业痛点，创新工场投资的潞晨科技发布了大规模并行AI训练系统——“夸父”(Colossal-AI) ，通过多维并行、大规模优化器、自适应任务调度、消除冗余内存、降低能量损耗等方式，旨在打造一个
前沿AI模型越来越大，无论是对于企业还是个人，AI模型的训练成本都越来越高。即使花巨资使用超级计算机集群，聘请专家，也难以实现AI模型的高效训练。
针对这一行业痛点，创新工场投资的潞晨科技发布了大规模并行AI训练系统——“夸父”(Colossal-AI) ，通过多维并行、大规模优化器、自适应任务调度、消除冗余内存、降低能量损耗等方式，旨在打造一个高效的分布式人工智能训练系统，作为深度学习框架的内核，帮助用户在最大化提升人工智能训练效率的同时最小化训练成本。
潞晨科技首创了“6维并行技术”，并且提出了将“系统优化”与“上层框架”和“下层硬件”解耦出来，形成一个独立的层，实现用户零成本的性能最大化方案。“夸父”是世界上并行维度最多的AI训练系统，相对于目前业界主流的英伟达Megatron，训练过程的批大小提高了13.7倍，序列长度提升3倍，内存利用率提升1.76倍，加速比提高2.32倍。目前，夸父AI为抢先体验beta版，正式版将在近期发布。
创新工场执行董事兼前沿科技基金总经理任博冰表示，在模型复杂度和算力需求快速上升的时代，潞晨科技开源的大规模并行AI训练系统“夸父”具有很高的价值，在性能上远好于现有模型，刚刚上线就在GitHub Trending Python排名世界第一。创新工场前沿科技基金专注于与科学家一起创业，通过技术和服务赋能创业者，帮助他们做出世界级的科技公司。我们相信在尤洋团队的带领下，潞晨科技会持续迈向AI训练优化的高峰，把技术转化为成果，进一步落地到场景，成为产学研紧密结合的卓越典范。
开源地址：
https://github.com/hpcaitech/ColossalAI
飞涨的模型参数和训练成本
近年来，随着AI模型从AlexNet, ResNet, AlphaGo发展到BERT、GPT、MoE …，AI能力不断提升的一个显著特征是模型参数的爆发式增长，这使得训练模型的成本也急剧上升。目前最大的AI模型智源悟道2.0参数量达到1.75万亿，而仅仅是训练1750亿参数的GPT-3，已经需要一个英伟达V100 GPU计算约335年。
模型参数的爆发式增长
由于单台机器的能力已远远无法满足日益增长的AI训练需求，科技巨头们纷纷部署了自己的超级计算机集群，如谷歌的TPU Pod、英伟达的SuperPOD等，希望通过将训练过程扩展到上千台机器，使用分布式计算提高模型的训练效率。但即便是超级计算机，也面临着当硬件堆砌到达一定数量后，效率无法进一步提升的瓶颈，浪费了大量计算资源。而分布式并行也与单机情况差异巨大，通常需要计算机系统和体系结构相关的专业人员，这进一步推高了训练成本。
超级计算机集群
夸父AI系统
夸父AI系统最终结构
夸父AI系统将作为深度学习框架的内核，构建起AI应用与硬件系统之间的桥梁，通过多维并行、大规模优化器、消除冗余内存、优化任务调度、降低能量损耗等方式，提升并行训练效率，并解耦了系统优化与上层应用框架、下层硬件和编译器，易于扩展和使用。
-
多维并行
目前主流的AI并行方案，如微软的DeepSpeed、英伟达的Megatron都使用3维并行，即数据并行、流水并行、一维模型并行。夸父在兼容数据并行、流水并行的基础上，进一步使用自行研发的2维模型并行，3维模型并行和2.5维模型并行。此外，针对大图片、视频、长文本、长时间医疗监控等数据，潞晨团队自研的序列并行，能突破原有机器能力限制，直接处理长序列数据。因此，夸父可以将计算并行度从原有的最高3维提升到5维甚至6维，极大提高了AI模型并行计算效率。
多维模型并行
-
大规模优化器
数据并行可以提升训练AI模型的批量，进而加速训练过程，但这通常会导致严重的优化问题，AI模型难以保持精度。潞晨团队自研的LAMB、LARS等大规模优化器，首次将批大小由512扩展到了65536，在极大缩短模型训练时间的同时保持精度。潞晨团队将会基于该方向的深厚积累，进一步探索推出新的大规模优化器。
LAMB优化器
-
优化任务调度
现有的任务调度器主要通过GPU个数判断任务规模，缺乏足够的弹性，AI任务扩展效率差。潞晨团队自研的自适应可扩展调度器，能根据批大小等因素自适应弹性扩展，并通过NCCL网络通信实现高效任务迁移。
自适应可扩展调度器
-
消除冗余内存
尽管英伟达最新发布的A100 GPU显存容量已高达80GB，但相比于前沿AI模型千亿、万亿的参数量，仍然远远不够。在训练过程中，除了模型参数本身，梯度、优化器状态等还会进一步严重消耗显存，不能充分利用GPU计算能力。对此，夸父使用zero redundancy optimizer技术，通过切分优化器状态，梯度，模型参数，使GPU仅保存当前计算所需要的部分，从而减少训练过程中的GPU显存消耗，提高GPU利用率。尤其是在部署模型推理时，可通过zero offload，将模型卸载到CPU内存或硬盘，仅使用少量GPU资源，即可实现低成本部署前沿AI大模型。
-
降低能量损耗
在分布式训练中，能耗的重要来源是数据移动，尤其是不同服务器之间的通信。夸父允许使用特大批量进行训练，能够通过减少迭代次数来减少通信次数。而多维模型并行也极大减少了通信次数。例如在1000个处理器并行时，若现有的一维模型并行，每处理器需要与其他999个处理器通信，而在夸父的3维模型并行中，每个处理器仅需与其他9个处理器通信。
数据移动是能耗的重要来源
除了节省能耗费用，由于夸父在整体上提高了处理器利用率和通信效率，能在更短时间内完成AI模型的训练，消耗更少的算力资源，因此能够极大降低用户的训练成本，节省训练时间。
-
易于使用
夸父不仅性能卓越，也力求易用性，无需用户学习繁杂的分布式系统知识，也避免了复杂的代码修改。仅需要极少量的改动，便可以使用夸父将已有的单机PyTorch代码快速扩展到并行计算机集群上，无需关心并行编程细节。同时，夸父也兼容单机运行，方便低成本调试和推理部署。夸父还提供了详尽的说明文档和常见模型实例，方便用户使用。
快速开始分布式并行训练
-
更多特性
本次发布的夸父AI系统为beta版，近期会根据用户反馈与既定计划，进行密集的迭代更新，尽早为用户提供正式版。潞晨科技会还会在未来1年内发布若干子系统，并陆续开源，最终形成面向高性能人工智能平台的丰富解决方案，充分满足用户的不同需求。
传送门
论文地址：
https://arxiv.org/abs/2110.14883
项目地址：
https://github.com/hpcaitech/ColossalAI
文档地址：
https://www.colossalai.org/
参考链接：
https://www.deepspeed.ai/
https://github.com/NVIDIA/Megatron-LM
https://huggingface.co/blog/large-language-models
https://en.wikipedia.org/wiki/Summit_(supercomputer)