没有大招的火山引擎，拿下70%大模型玩家_风闻

鱼羊 发自 凹非寺

量子位 | 公众号 QbitAI

有没有在开发大模型？在学习。

什么时候发布大模型？没计划。

当被问起自研大模型，字节跳动副总裁杨震原口风甚严。但席卷全球的这场大模型竞逐战，没有人会主动放弃阵地。

最新线索，在上海露出端倪。

火山引擎对外的最新技术、产品发布动作中，我们发现：炼大模型的基础设施，不仅已经在字节内部运转，还到了能够对外输出“技术秘籍”的阶段。

直观的数字，更能说明情况：

抖音2022年最火特效「AI绘画」，就是在火山引擎机器学习平台上训练而成。在训练场景下，基于Stable Diffusion的模型，训练时间从128张A100训练25天，缩短到了15天，训练性能提升40%。

在推理场景下，基于Stable Diffusion的模型，端到端推理速度是PyTorch的3.47倍，运行时对GPU显存占用量降低60%。

而就在全球最大云厂商AWS宣布，加入大模型竞赛，并且定位是“中立平台”，会接入Anthoropic、StabilityAI等模型厂商的大模型之际，量子位也获悉：

火山引擎，也在以类似路径探索大模型的落地，做法是用“机器学习平台+算力”为大模型企业提供AI基础设施。火山引擎总裁谭待透露，国内几十家做大模型的企业，七成已经在火山引擎云上。

大模型企业为什么会选择火山引擎？我们和火山引擎机器学习总监吴迪聊了聊。

大模型趋势，写在云计算的最新技术里

在AI方面，此番火山引擎重点提到了两个平台：机器学习平台和推荐平台。

机器学习平台

其中，机器学习平台涉及当下科技圈最热的两个话题——庞大算力的调度问题，以及AI开发的效率问题。

先来看算力调度。

说到大模型时代，OpenAI首席执行官Sam Altman曾发表观点称，“新版摩尔定律很快就要到来，宇宙中的智能每18个月翻一倍”。

而这背后，模型训练开发所需要的算力规模，可想而知。

但用算力，实际上并不是一个纯堆硬件的事情。举个例子，如果机器学习框架跟底层的硬件是各自独立的一套，那在训练AI模型时，由于通信延迟、吞吐量等问题，训练效率就无法最大化。

简单来说，就是很多算力会在这个过程中被浪费掉。

解决方法，是软硬一体。

吴迪介绍，火山引擎的自研DPU，将算力层和平台层统一起来进行了整体优化。比如，将通信优化的算法直接写到网卡硬件中，以降低延迟、削减拥塞。

测试数据显示，火山引擎的通信框架BytePS，在模型规模越大时，收益会越高。

而在AI开发效率方面，火山引擎推出了Lego算子优化。

具体而言，这一框架可以根据模型子图的结构，采用火山引擎自研高性能算子，实现更高的加速比。

前文提到的抖音特效训练效率的提升，就得益于此：

在推理场景下，使用Lego算子优化，可以将基于Stable Diffusion模型的端到端推理速度提升至66.14 it/s，是PyTorch推理速度的3.47倍，运行时GPU显存占用量降低60%。

在训练场景下，在128张A100上跑15天，模型即可训练完成，比当时最好的开源版本快40%。

目前，火山引擎这一套机器学习平台，已经部署到了MiniMax的文本、视觉、声音三个模态大模型训练和推理场景中。

MiniMax联合创始人杨斌说，依托火山引擎机器学习平台，MiniMax研发了超大规模的大模型训练平台，高效支撑着三个模态大模型每天千卡以上的常态化稳定训练。在并行训练上实现了99.9%以上的可用性。除了训练以外，MiniMax也同步自研了超大规模的推理平台，目前拥有近万卡级别的GPU算力池，稳定支撑着每天上亿次的大模型推理调用。

有稳健的大模型基础设施，MiniMax从零开始自主完整地跑通了大模型与用户交互的迭代闭环，实现从月至周级别的大模型迭代速度，和指数级的用户交互增长。MiniMax和火山引擎一起为大模型训练搭建了高性能计算集群，一起致力于提升大模型训练的稳定性，保证了千卡训练的任务稳定运行数周以上。

从今年开始，MiniMax又和火山引擎在网络和存储上进行了更深入的优化合作，实现更低的网络延迟，将带宽利用率提升了10%以上。

吴迪坦言，“软硬一体、通信优化、算子优化都不是新概念，火山引擎机器学习平台也没有特别牛、特别超前的大招。我们靠的就是务实严谨地不断把细节做扎实，把重要技术锤炼到位，这样才能赢得客户的信任。”

推荐平台

机器学习平台之外，这次在自家看家本领——推荐系统上，火山引擎对外拿出了推荐系统全套解决方案：从物料管理，到召回排序，再到效果分析、A/B测试和模型算法，都可以开箱即用。

而作为产业界近年来落地最为成功的AI应用之一，在推荐领域，深度学习模型越来越大、越做越深的趋势，也早已显现其中。

吴迪介绍，由于推荐是一个高度定制化的场景，每个人的兴趣、画像都有单独的embedding，因此大规模稀疏模型很重要。

同时，由于真实世界在时刻变化，因此背后又存在一重实时训练的挑战。

这都对传统的深度学习框架提出了很大的挑战。

为此，火山引擎不仅将以上工程实现进行封装，推出了基于TensorFlow的机器学习训推一体框架Monolith，还拿出了针对智能推荐的高速GPU训练和推理引擎——Monolith Pro。

值得关注的是，Monolith Pro覆盖的场景包括：

针对关键场景的超大模型，使用高密度GPU进行超高速训练；

覆盖更多场景的模型，混合使用CPU+GPU高速训练。

吴迪进一步解释说，推荐模型需要做大做深，才能对众多事物之间的关联有更好的理解——这一点，如今已经在GPT引发的一系列现象上得到充分验证。

因此在现在这个时间点，对于任何正在开展推荐广告业务的公司而言，高价值的数据是一方面，另一方面，找到训练更强、更大、更实时模型的方法，对整个系统进行智能化升级，已经到了一个关键期。

所以，Monolith Pro又具体能实现怎样的效果？吴迪透露，基于Monolith Pro，抖音内部的某重要广告场景，原本一次广告训练需要15个月样本，训练时间为60小时，现在只需要5小时就能完成。

工程师可以做到上午启动训练，下午就能开A/B测试了（笑）。

大模型改写云计算规则

由ChatGPT而起，在海内外一波波大模型的发布中被推至高潮，一场新的技术变革已然势不可挡。

云计算，作为一个早已深深与AI关联的业务，站立桥头，也最早面临着规则被重新改写的境况。

随着大模型能解决越来越多下游任务，如何用大模型，又成为了新的问题：无论是训练还是推理，大模型都需要很强的基础设施支持。

云计算成为了最便捷的上车途径。同时，云厂商们也势必要面向大模型，重塑自身云产品的面貌。

吴迪认为，作为一项技术，未来大模型会是百花齐放的局面。丰富的需求会催生出若干成功的模型提供商，深入满足千行百业的业务需求。

与此同时，大模型的应用也面临若干基础问题：

基础大模型可能还需要用更多高质量数据，做进一步的增量学习和finetune，才能真正在产业中落地应用。整个流程需要更为敏捷和易用。

大模型将成为大数据时代的“中央处理器”，它能够控制插件、接口，以及更丰富的下游模型。大模型需要这些“手”和“脚”，才能进入我们生活的方方面面。

随着大模型应用的增多，数据安全和信任将成为产业关注的焦点。

推理效率。大模型的训练成本高昂，但长期来看，全社会投入在大模型推理上的开销将逐渐超过训练成本。在微观上，能以更低单位成本提供大模型相关服务的公司，将获得竞争优势。

但可以肯定的是，大模型改造各行各业的浪潮已至。

有人正面迎战，有人从更底层的问题出发，尝试破解新的问题和挑战。

共同点是，大模型的潮头来得迅猛激烈，但在第一线迎接风暴的，从来不是没有准备之人。

现在，到了检验真正AI能力和积累的时刻。至少在与大模型相伴相生的云计算领域，精彩才刚刚开幕。