新型智算中心改造系列报告一：网络成大模型训练瓶颈，节点内外多方案并存

证券研究报告|2024年5月5日 新型智算中心改造系列报告一： 网络成大模型训练瓶颈，节点内外多方案并存 行业研究·行业专题计算机·人工智能 投资评级：超配（维持评级） 证券分析师：熊莉021-61761067 xiongli1@guosen.com.cnS0980519030002 联系人：艾宪0755-22941051 aixian@guosen.com.cn •AI大模型训练和推理拉动智能算力需求快速增长。a）模型迭代和数量增长拉动AI算力需求增长：从单个模型来看，模型能力持续提升依赖于更大的训练数据量和模型参数量，对应更高的算力需求；从模型的数量来看，模型种类多样化（文生图、文生视频）和各厂商自主模型的研发，均推动算力需求的增长。b）未来AI应用爆发，推理侧算力需求快速增长：各厂商基于AI大模型开发各类AI应用，随着AI应用用户数量爆发，对应推理侧算力需求快速增长。 •智算中心从集群走向超级池化。智算中心是以GPU、AI加速卡等智能算力为核心，集约化建设的新型数据中心；随着大模型普遍进入万亿规模，算力、显存、互联需求再次升级，高速互联的百卡“超级服务器”可能成为新的设备形态，智算中心将走向超级池化阶段，对设备形态、互联方案、存储、平台、散热等维度提出新的要求。 •网络互联：节点内外多方案并存。1）节点内：私有方案以英伟达NVLink为代表，NVLink已经发展至第五代产品，同时支持576个GPU之间的无缝高速通信；开放技术方案以OAM和UBB为主，OCP组织定义了业内通用的AI扣卡模组形态（OAM）-基板拓扑结构（UBB）设计规范。2）节点间：主要方案为Infiniband和RoCEv2；Infiniband网络主要包括InfiniBand网卡、InfiniBand交换机、SubnetManagement（SM）、连接件组成；RoCEv2网络是一个纯分布式的网络，由支持RoCEv2的网卡和交换机、连接件、流控机制组成。InfiniBand在网络性能、集群规模、运维等方面具备显著优势。 •投资建议：AI大模型的参数量和训练数据量的快速增长，对数据中心的计算、存储、网络等提出新的要求，新型智算中心是产业发展趋势；AI大模型需要部署在高速互联的多个AI芯片上，数据样本和模型结构被切分到多张卡或者节点上，卡间或节点间不仅有训练数据通信，还有模型梯度的频繁传递，对智算中心的网络互联提出新的要求，建议关注宝信软件。 •风险提示：宏观经济波动、下游需求不及预期、AI伦理风险等。 01 智算中心：从集群走向超级池化 02 网络互联：节点内外多方案并存 03 投资建议及风险提示 •训练数据量+参数量大幅提升，模型能力“涌现”。根据2022年谷歌、斯坦福大学和Deepmind联合发表的《EmergentAbilitiesofLargeLanguageModels》，很多新能力在中小模型上线性放大都得不到线性的增长，模型规模必须呈指数级增长并超过某个临界点，新技能才会突飞猛进。同时，模型的参数量和数据量在一定程度下是正相关的，因为：a）在小规模数据上训练模型时，若模型参数量过大，可能出现过拟合情况；b）在大规模数据上训练模型时，若不增加模型参数量，可能造成新的知识无法存放的情况。 图1：训练数据大幅提升后，模型能力“涌现” 资料来源：JasonWei等著-《EmergentAbilitiesofLargeLanguageModels》-TransactionsonMachineLearningResearch（2022）-P4，国信证券经济研究所整理 图2：模型参数大幅提升后，模型能力“涌现” 资料来源：JasonWei等著-《EmergentAbilitiesofLargeLanguageModels》-TransactionsonMachineLearningResearch（2022）-P27，国信证券经济研究所整理 •大模型训练+推理拉动智能算力需求快速增长。a）模型迭代和数量增长拉动AI算力需求增长：从单个模型来看，模型能力持续提升依赖于更大的训练数据量和模型参数量，对应更高的算力需求；从模型的数量来看，模型种类多样化（文生图、文生视频）和各厂商自主模型的研发，均推动算力需求的增长。b）未来AI应用爆发，推理侧算力需求快速增长：各厂商基于AI大模型开发各类AI应用，随着AI应用用户数量爆发，对应推理侧算力需求快速增长。 图3：全球智能算力快速增长图4：中国智能算力快速增长 智能算力（基于FP32计算，ZFLOPS） 52.50 0.23 0.45 60 50 1200 1000 智能算力（基于FP16计算，EFLOPS） 40 30 20 10 0 20212022 2030 800 600 400 200 0 1117.4 812.5 616.6 497.1 414.3 259.9 155.2 75 20202021202220232024202520262027 资料来源：《中国算力发展指数白皮书（2022年&2023年，中国信通院）》、国信证券经济研究所整理 资料来源：《2023-2024年中国人工智能计算力发展评估报告（IDC&浪潮信息）》、国信证券经济研究所整理 •智算中心是以GPU、AI加速卡等智能算力为核心，集约化建设的新型数据中心。智算中心为AI大模型训练、推理提供算力支撑，同时为AI应用提供算力服务、数据服务和算法服务；以中国移动推出了NICC新型智算中心为例，可分为“三层两域”： •基础设施层：提供计算、存储、网络等硬件资源。 •智算平台层：作为资源管理核心，提供裸金属、虚机和容器等多样化实例以及细粒度的资源池化能力；搭建算力原生平台提供应用跨架构迁移能力。 •应用使能层：集成行业主流AI开发框架。 •智算运维域：负责对底层IaaS进行管理维护，确保系统稳定运营。 •智算运营域：对接外部客户，提供计量计费、访问、交易等界面，对内根据上层任务进行资源编排调度。 图5：中国移动NICC新型智算中心的“三层两域”架构 资料来源：《中国移动NICC新型智算中心技术体系白皮书》，国信证券经济研究所整理 •智算中心逐步从“集群时期”走向“超级池化时期”。随着AI大模型参数量增长，新型智算中心的建设既要考虑计算、存储、网络三 大维度横向协同，也应兼顾软件平台与硬件资源的纵向协同，聚焦于“新互联”、“新算效”、“新存储”、“新平台”、“新节能”。 •智算中心发展推动力：模型参数量快速增长，对算力、显存和互联提出新的需求。 •集群时期（2022-2024年）：数据及模型出现巨量化趋势，千亿级模型出现，对算力底座和拓展性提出更高要求。 •设备形态：GPU、AI芯片以扣卡模组为主，服务器形态多为8卡，DPU按需引入解决裸金属管理、存储加速等业务痛点；硬件资源开始按集群的方式部署。 •互联方案：以服务器节点为界限，节点内采用高速计算总线，节点间采用100G/200G高速无损网络。 •存储方面：原先独立部署的文件、对象存储逐渐向融合存储演进，提升数据交互效率； •平台方面：具备池化算力分配能力，实现底层智算资源的细粒度分配、动态调度和一体化管理；同时，引入分布式并行训练框架提升模型训练效率； •散热方面：为配合高算力需求，散热系统逐步从风冷向冷板式液冷过渡。 图6：大模型参数规模增长速度超过摩尔定律，推动智算中心发展 资料来源：《生成式AI（StateofGenerativeAI2023）》-启明创投、未尽研究-P8、国信证券经济研究所整理 •超级池化时期（2025年开始）：大模型普遍进入万亿规模，算力、显存、互联需求再次升级，高速互联的百卡“超级服务器”可能成为新的设备形态。 •设备形态：从单机8卡服务器逐步转化为“超级服务器”，基于存算一体架构的大算力芯片将开始逐步应用。 •互联方案：内部打造统一的协议实现CPU、GPU、AI芯片、显存、存储等池化资源无缝连接；外部通过GSE等高性能交换网络，达到极高吞吐、极低时延的系统算力。 •存储方面：在“超级服务器”内支持内存池化技术，对外拓展支持全局统一存储。 •平台方面：构建基于算力原生平台的跨架构开发、编译、优化环境，屏蔽底层硬件差异，从软件层面最大化使能异构算力融通，以应对日益割裂的智算生态。 •散热方面：浸没式液冷逐步落地。 图7：新型智算中心的发展路径 资料来源：《中国移动NICC新型智算中心技术体系白皮书》，国信证券经济研究所整理 01 智算中心：从集群走向超级池化 02 网络互联：节点内外多方案并存 03 投资建议及风险提示 •分布式并行运算是发展趋势。AI大模型需要部署在高速互联的多个AI芯片上，主要由于：1）单芯片算力提升的速度明显低于模型参数的增长速率；2）巨量的模型参数和训练数据，已经远超单个AI芯片、单台服务器的计算能力。 •传统的中小AI模型：训练模式多采用单卡运行或单节点内多卡数据并行，每张卡或节点上都有完整的模型结构，卡间通信主要用于传输训练数据，因此通信需求不频发，带宽通常在几十GB，传统PCIe可满足要求。 •AI大模型：数据样本和模型结构被切分到多张卡或者节点上，卡间或节点间不仅有训练数据通信，还有模型梯度的频繁传递； •数据并行（DP）：每计算设备（卡或节点）都有一个完整模型，将数据集拆分到多个计算设备同时训练，在反向传播中，各个设备上的梯度进行归约操作求平均，再更新模型参数。 •模型并行（MP）：1）流水线并行（PP）：将模型按照“层”拆分为多个Stages放在每个计算设备上，训练过程是逐层顺序计算，通信数据量比DP小，点对点互联即可；2）张量并行 （TP）：将模型在“层”内进行切分，训练过程中前向和反向传播中都设计Allreduce，通信量大且频繁，通常要求全互联（FC）或交换拓扑（Switch）。 图8：模型参数量（及模型训练所需算力）增长显著高于GPU内存和吞吐量的增长 资料来源：Rishi等著-《OntheOpportunitiesandRisksofFoundationModels》-arXiv（2022）-P97、国信证券经济研究所整理 图9：不同的分布式并行策略及对应的卡间互联要求 策略 通信模式 互联拓扑，带宽需求 数据并行DP Allreduce 环状或全互联，常规需求，几~几十GB/s 流水线并行PP P2P 点对点相连，常规需求，几~十几GB/s 张量并行TP Allreduce 环状或全互联，带宽需求高，几百GB/s 资料来源：《中国移动NICC新型智算中心技术体系白皮书》、国信证券经济研究所整理 •智算中心内部网络互联可以分为节点内互联和节点外互联（此处以服务器为节点），节点内互联包括处理器之间、处理器与外设及存储之间互联，节点外互联主要指服务器之间互联。 •计算体系多种互联协议：自1978年intel开创x86体系以来，逐步衍生出各种物理特性、传输特性和功能特性不同的互联协议。 •处理器之间：UPI、CXL、PCIe、NVLink等； •处理器与外设及存储之间：Pcie、CXL、NVLink、SATA、SAS、NVMe等； •节点之间：Ethernet、IB等。 图10：计算体系多种互联协议 资料来源：《数据中心2030-华为》，国信证券经济研究所整理 •大模型场景，私有和开放技术方案并存。针对传统传统的中小模型，PCIe技术方案已经非常成熟；面向大模型场景，基于扣卡模组的卡间高速互联方案主要分为私有和开放技术两大类，私有方案以英伟达NVLink为代表，开放技术方案以OAM和UBB为主。 •私有方案以英伟达NVLink为代表。2014年英伟达发布第一代NVLink，旨在实现GPU芯片间低延迟、高带宽的数据互联，相较于传统PCIe方案，CPU和GPU之间共享数据的速度大幅提升。 •传统PCIe方案：PCIe由Intel2001