界面新闻记者 |
界面新闻编辑 | 谢灵宁
打开机房大门，映入你眼帘的将是房间内整齐排列的算力服务器，同时出现的持续轰鸣声，则来自于为降低服务器温度而不间断转动的风扇。
界面新闻近日实地探访了坐拥国内首批“万卡集群”的上海松江智算中心。该项目由上海国企仪电集团牵头成立的上海智能算力科技有限公司（下称智算科技）投资。
所谓“万卡集群”，意指通过高速网络与软硬件系统，将一万张甚至数量更多的GPU（图形处理器）连接，形成统一调度的计算中枢，可以将其视为人工智能领域的发电厂。国内目前已建成42个“万卡集群”，数量位居全球前列。
松江智算中心投用后，其算力就处于满负荷使用状态，这背后是人工智能行业需求快速增长所导致的算力资源稀缺。国家数据局的统计称，今年3月，国内日均Token（词元）调用量超过140万亿，相比2024年初增长了1000多倍。
上海已在筹划扩大算力基础设施，明确将围绕浦东、金山、松江、临港和青浦等重点区域，积极部署智能算力、提升集群规模。
预计到2027年，上海算力规模将提升至20万PFLOPS（每秒千万亿次浮点运算）。根据今年1月披露的数据，上海算力规模已突破12万PFLOPS。
智算科技总经理孙跃解释称，上海有诸多垂类人工智能应用，需要就近布局算力资源，从而快速响应这些任务的需求，达到降低网络延时等效果。
上海也集聚了芯片、大模型等大量人工智能上下游企业，在本地布局“万卡集群”，有利于执行技术攻关任务。
对于“万卡集群”而言，算力卡无疑是其中的灵魂。在先进算力卡被限制进口的背景下，设备采购存在一定难度。但在孙跃看来，“建设‘万卡集群’是一个庞大的系统工程，购买算力卡，在整件事情中可能不见得是最难的。”
智算中心需要高效的通讯网络和相应的存储设备，才能让算力卡以集群的形态高效运转。如果将一个“万卡集群”拆解，零部件数量可达到数十万个，种类超过百种。
在智算科技系统工程中心总监胡宝群看来，“万卡集群”建设过程中，一个容易忽略却又极为关键的风险点，来自灰尘。他将其称为“万卡集群”建设的入门第一课。
在组成“万卡集群”的百余种零部件中，光模块是极为重要的一种。通常情况下，一个集群需要配备上万个光模块，但这种火柴盒大小的电子元器件对灰尘极度敏感。
胡宝群告诉界面新闻，光模块只要接触到非常小的灰尘，就会影响对应算力卡的运行，甚至让整个“万卡集群”无法稳定工作。
因此，在松江智算中心建设和运行过程中，智算科技的团队都在想方设法防范灰尘带来的潜在影响。比如在光模块安装环节，就规定其暴露在空气中的时间必须控制在三秒以内。
此外，松江智算中心所在四层建筑的楼道内，也专门安放了有粘性的地毯，用于吸附人走过时鞋底的污物，减少空气中的灰尘来源。
搭建“万卡集群”被认为是一项复杂的系统工程，难度可与卫星发射相比。“在发射卫星过程中，任何一个零部件故障都会导致整个任务失败，‘万卡集群’也类似，对每个环节都有很高的可靠性要求。”孙跃提及。
同样高难度的，是让“万卡集群”能够7*24小时不间断地高效运转，为用户提供算力服务。
在人工智能模型训练过程中，智算中心的故障都可能导致整个任务中断。在一套由数十万个零部件组成的“万卡集群”中，设备故障的发生几乎无可避免。
但通过技术和架构层面的冗余设计，松江项目的“万卡集群”能够实现即使故障发生，也不影响模型训练任务的执行，并且在数分钟甚至数秒内完成故障定位，便于下一步的故障排除。
在人工智能时代，算力被认为会像水和电一样，每个人都能极为方便地取用。“万卡集群”的稳定运行，将是实现这项设想的关键一环。
智算科技系统平台部负责人翟雨佳称，“我们的目标是让‘万卡集群’能够像供水和供电那样稳定，让用户感受不到算力的存在。”
