多加一倍GPU，大模型训练时间能省一半吗？

这是鹅最近被问到最多的问题。

训练大模型离不开超大规模算力，GPU当然是核心。

没卡万万不行。但只要有卡就万事大吉了吗？

其实，当我们谈论算力时，GPU卡只是角色之一。

庞大的训练任务，需要由大量GPU服务器组成的算力集群协作完成。

这些服务器通过机间网络相连接，不断交换海量数据。

集群每次计算的背后，服务器间的同步通信量高达百GB。

如果网络性能跟不上，单卡再强，也只能“干等着”。

而且，随着集群规模扩大，网络带来的算力损耗还会更大。

传统的网络架构，在传输时会经过多层协议栈：

需要反复停下来检查、分拣和打包，通信效率很低。

为解决这一问题，业界通常会引入RDMA技术：

它就像点对点的高速传送带，支持服务器内存间直接通信。

中间环节少了，自然省下不少资源开销。

为了让机间网络的性能跟上突飞猛进的GPU 卡，光靠RDMA还远远不够。

鹅厂死磕网络技术多年，研发了高性能计算网络“星脉”：

//网络带宽、拓扑架构

“带宽”相当于路的宽度，“拓扑”则是节点设备间的连接方式。

前者决定了能同时传输多少数据，后者决定了组网规模有多大。

3.2Tbps带宽、支持10万卡集群组网

——这两项硬指标，星脉都做到了业界最强。

//升级网络协议

网络协议，就像网络世界里的“交通规则”。

星脉引入了腾讯自研端网协同协议TiTa，内嵌拥塞控制算法。

它不仅能控制数据发送速率，还能自动设置数据传输的优先级：

按导航给的“推荐速度”行驶，通过每个路口都是绿灯。

这项优化，让星脉的时延降到10us ～ 40us、丢包率降到0。

//计算网络联合优化

对分布式架构而言，想要把资源用足，需要实现“负载均衡”：

把任务更均匀地分到每台服务器、每条路径上。

通过几项联合优化，星脉的负载利用率提升至超过90%：

一是，多轨道流量亲和性规划。

它就像智能分配的物流系统，确保每条线路都得到充分利用。

既不会闲下来、也不会忙到爆。

二是，引入腾讯自研TCCL高效集合通信库。

它支持全局网络路由、拓扑感知亲和性调度。

就像智能导航，预先规划行驶路线、并根据路况动态调整。

通过这些技术创新，星脉让大模型通信性能提升了10倍。

万亿参数大模型训练时间已经加速至4天。

传输距离会带来通信损耗，是客观的物理定律。

但通过一点一滴的网络技术突破，我们尽力让集群算力输出更加接近线性。

每个备受关注的技术趋势背后，都经过了数十年研发。

从最早服务QQ、到服务云上海量用户、到构筑大模型算力集群，

鹅厂自研的网络架构，已经完成三代技术演进。

未来，我们也会继续投入基础技术，

为各行各业的数智化转型提供有力支撑。