华为云黄瑾：昇腾云CloudMatrix 384超节点定义下一代AI基础设施

2025-05-17 15:46

5月17日消息，近日，华为云AI峰会在北京召开，华为云副总裁黄瑾发表主题演讲，介绍了更多CloudMatrix 384超节点技术优势与细节。他指出，随着大模型训练和推理对算力需求的爆炸式增长，传统计算架构已难以支撑AI技术的代际跃迁，超节点架构的诞生不仅是技术的突破，更是以工程化创新开辟AI产业的新路径。华为云CloudMatrix 384超节点具备MoE亲和、以网强算、以存强算、长稳可靠、朝推夜训、即开即用六大领先技术优势，以系统架构创新重新定义新一代AI基础设施。
当前，大模型训练经历了从早期小模型在单卡训练、小参数大模型在单机训练，到现在MoE、长序列、多模态大模型都在AI集群上训练的演进过程。AI算力的瓶颈，从单卡算力的瓶颈到单机内总线带宽的瓶颈，再到现在集群间通信带宽的瓶颈，需求增长了1万倍。

然而过去的8年里，单卡硬件的算力增长了40倍，但是节点内的总线带宽只增长了9倍，跨节点的网络带宽只增长了4倍，这使得集群网络通信成为当前大模型训练和推理的最大挑战。
黄瑾表示，面对这些挑战，华为云创新性的推出了采用全对等互联架构的CloudMatrix 384超节点。这项技术创新跳出单点技术限制走向系统性、工程性的创新算力架构，直面通信效率瓶颈、内存墙制约、可靠性短板三大技术挑战。通过新型高速互联总线实现384张卡互联成为一个超级云服务器，最高提供300Pflops的算力规模，比业界同类产品领先67%。
目前，基于CloudMatrix的超节点集群已经在芜湖、贵安、内蒙规模上线，黄瑾进一步深入解读了六大技术创新点：
MoE亲和架构，从“小作坊”到“超级工厂”。在传统架构下，MoE模型训练容易因通信延迟导致算力浪费，而CloudMatrix 384超节点的分布式推理平台可以说是专为MoE大模型而生。黄瑾指出，对比一卡多专家的“小作坊模式”，超节点更像“大工厂模式”，通过高速互联总线，能够实现一卡一专家高效分布式推理，单卡的MoE计算和通信效率都大幅提升。这也是为什么有几百个政务、零售、医疗、保险、制造、矿山、旅游等各行各业的客户，基于华为云昇腾AI云服务部署DeepSeek模型的创新应用，例如在智能助手、智能客服、互联网搜索、内容创作等各种场景落地。
以网强算，双层网络破解“数据堵车”。当AI算力走向规模化部署，单点的芯片性能不再是制约算力发展的唯一变量，如何由点及面地激活算力矩阵的共振效应，也是破解AI时代算力命题的关键一步。而释放联接力也正是超节点最大的创新突破之一，黄瑾介绍，传统网络像拥堵的城市道路，CloudMatrix 384则构建了AI专属高架桥，通过MatrixLink服务将单层网络升级为两层高速网络，一层是超节点内部的ScaleUp总线网络，确保超节点内384卡全对等高速无阻塞互联，卡间超大带宽2.8T，纳秒级时延；另一层是跨超节点间的ScaleOut网络，可支持微秒级时延，资源弹性扩展；同时，基于全局拓扑感知的智能调度算法，保障客户任务长稳运行。
以存强算，弹性内存改写“算存绑定”。华为云首创了EMS弹性内存存储，打破传统GPU算力与显存绑定的关键障碍，通过内存池化技术，实现显存和算力解绑。一方面，用EMS替代NPU中的显存，可使得首Token时延降低，最高降幅可达80%；另一方面，当NPU的显存不足时，EMS独立扩容，不必再通过堆NPU以获得更多内存。同时，EMS还支持算力卸载，这也使得系统吞吐量提升，有的场景达100%的提升。总之，这一技术创新大幅提升了资源利用率、性能和吞吐量。
长稳可靠，故障自愈的“AI医生”。随着模型训练需求的不断接入，大集群的运维难度大、复杂性高的问题日益凸显。对此，华为云开发了昇腾云脑运维“1-3-10”标准，即1分钟感知、3分钟定界、10分钟内恢复。通过5层压测、静默故障感知技术，昇腾云脑可将硬件故障感知率从40%提升至90%。同时，覆盖计算、存储、网络、软件四大种类故障模式库也打通了全栈故障场景，这一全栈故障知识库能够覆盖95%常见问题以实现故障快速定界；在恢复机制上，3层快恢技术、快速建链技术、图编译缓存等技术能够实现万卡故障快速恢复。
朝推夜训，算力资源“错峰用电”。在大模型训练中，提升算力利用率，避免算力闲置也是企业关心的重点之一。CloudMatrix 384超节点通过“训推共池”“灵活调度”两大关键技术实现朝推夜训，白天进行模型推理，晚上闲时进行模型训练，算力资源利用率可提升30%以上。
即开即用，“算力水电”普惠模式。为助力客户更好地专注业务模型开发，华为云已经在全国三大枢纽数据中心——乌兰察布、贵安和芜湖完成了超节点规模布局，支持百TB级的带宽互联，10毫秒时延圈覆盖全国19个城市群，让客户能够第一时间享受到即开即用的AI算力资源。同时，华为云拥有专业的超节点运维团队，在为客户免去繁琐的管理和维护的同时，保障资源的稳定运行。
黄瑾强调，华为云现已全面适配了DeepSeek在内的160多个大模型，以云服务的方式，协助客户进行模型的开发，训练，托管和应用。昇腾AI云服务上线以来，面向政府、金融、零售、互联网、交通、制造等行业已经服务六百多家创新先锋企业，加速行业智能化应用的快速落地。
【来源：网易科技】

共有评论0条