9 月 24 日至 26 日，第 20 届 CCF 全国高性能计算学术年会（CCF HPC China 2024）在武汉市中国光谷科技会展中心举行，主题为“华章廿载 新质未来”。
本届大会由 12 位院士领衔，携手了来自算力领域的 400 多位顶尖学者，进行学术交流和专题分享。值得一提的是，此次参会人数也创下历届新高，总数突破 4000 人。
在当下的智算时代，面对软硬件兼容复杂、训练集群故障频发、可用算力效率不高、电力及空间限制等算力相关“卡脖子”的问题，多名业内大佬阐述了自身认知。
在结合海内外发展的判断下，他们也先后展开了包括“高通量以太网(ETH+)”“晶圆级变结构计算”“类脑算力”等在内多种解法的分享和探讨。
值得一提的是，有关于全球市场中“算力的尽头是电力”的类似焦虑，在会上也出现了不同的声音——中国工程院院士邬江兴特别强调了“用电力拼算力”这一发展范式的不可持续。
另外，AI 科技评论注意到，作为一年一度为超算、智算、数算等提供学术交流机会的平台，在今年的 CCF HPC 中，“超智融合”被一众大咖反复提及，成为本届大会最鲜明的特点。
这也是在不少业内人士的预判中，未来解决国内计算瓶颈的重要路径。
超算是可以用来训练 AI 的，而国内过往在超算领域的丰富经验积累，需要移植到智算领域中来，超算和智算走向融合已然成为大势所趋。
这一趋势的出现，也标志着 HPC 由传统通用计算主导的科学计算，逐步过渡到了异构加速的 AI 计算新时代。
需要关注的是，近年，对于“算力网”这一概念的呼声走高也同超智融合息息相关。这也是基于中美需求差异的洞察下，更为符合国内算力市场现状的解决方案之一。
算力的瓶颈与破局之道
当前，国内在算力集群之上已有不少千卡、万卡级别的实践，但要实现十万卡，甚至超万卡的突破仍颇具挑战性。
国产算力究竟还有哪些“卡脖子”的问题？在此次 CCF HPC China 2024 上，业界大咖齐聚一堂对此作出讨论，与此同时，也带来了多种不同的解题思路。
“大算力需要大集群的扩展，但大集群并不一定能够提供大算力”，高通量以太网联盟执行主席、中国科学院计算技术副研究院王展分析。
“今天基于并行的计算范式，对于每次的计算迭代来说，完成之后 GPU 之间都要通过全局参数和提督同步才能进行下一轮迭代，这种同步通信的特质决定了训练集群很强的‘木桶短板’效应，任何一点拥塞、故障，都会导致整个集群训练性能的损失或下降。”
所以，“为了让大集群获得好的算力，提高算力的线性扩展度，需要做很多方面的优化工作，包括上面的算法、通讯框架、并行的计算模式，以及计算和网络协同，存储和网络的协同等等。”他总结发现，“其中最核心的需求是需要一个稳定高性能的网络互联。”
去年，大模型的兴起带动了算力需求的提升，而王展观察到，“彼时，许多头部互联网和云计算公司都还没有基于以太网成熟的解决方案，一时间业内唱衰以太网，认为只有 InfiniBand（IB）才可以提供高性能的网络互联。”
发展至今年，“高通量以太网（ETH+）”逐渐走向主流舞台，也在今年的大会上再度引来一波热议。而从海外巨头的动向来看，据王展透露，AMD 发布的 UALINK 联盟也或将改为以太网：
“目前，AMD 采用的是 Infinity Fabri（IF ）的私有协议，在服务器内部是基于全互联，而它下一步的 GPU 一定是采用 Infinity Fabric Switch放在服务的外部，这方面如何构建将成为行业重要风向标。”
不过，“高通量以太网（ETH+）”仅仅是解决思路之一，邬江兴给出的“答卷”则聚焦于“晶圆级变结构计算”。
在他看来，国内算力发展还有着以下难点：
一是性能增长与算力需求的矛盾凸显；二是还原论模式导入带宽、时延和单位算力密度的插损；三是刚性计算架构造成总体效率低下；四是存储程序控制机理存在自在性安全矛盾。
当前，晶上计算正成为大规模、低功耗、高密度、高性能计算系统主流，这一点从世界主流厂家的布局中可以窥见一斑——
2019 年，美国 AI 芯片独角兽 Cerebras Systems 首推晶圆级处理器 WSE 系列挑战英伟达。2021年，特斯拉也推出了晶圆级 Dojo 处理器，此外，也包括英特尔的 M2+ 晶圆级拼装、台积电的 TSMC-SoW 等等。 
而和前述布局稍有不同的是，邬江兴讲述了“软件定义晶上系统（SDSoW）”的新概念。
他提出了一个“SMV困境定理”，即现实技术物理环境在满足全生命周期可扩展性前提下，任何单一技术体制都不可能在S、M、V三维空间内同时达到最优，这也是当前国产算力发展之时，所面对的计算架构单一性与算力需求多样性的矛盾所在。
针对这一“不可能三角”，“变结构计算”则是关键突破点。据邬江兴介绍，变结构计算的第一性原理为软件定义的节点+互联，SDSoW 则是这一解法的物理实现载体。
不同的算力处理特征适用场景各有差异，于是芯片也需要实现异构融合，这也同人脑处理任务具有相似之处。沿着这套逻辑，“类脑算力”的概念也成为当前业界前沿的思考之一。
“类脑处理器（BPU）更加接近生物脑信息处理特征，比较适用于一些密度比高的矩阵和稀疏矩阵，以及知识图谱、动力学方程的运算，处理非结构化随机排布的数据运算更有效率。”中国科学院院士张旭如是说道。
当前，在全球范围内均有类脑计算相关布局——去年年底，广东智能科学与技术研究院发布了天琴芯类脑晶圆计算芯片，今年 4 月，英特尔也发布了 Hala Point 大型神经拟态系统。
不过，类脑芯片在功耗上能够占据一定优势的同时，对于成本问题，在业内仍有部分顾虑的声音存在。
另外，值得一提的是，电力也是算力发展过程中屡屡被强调的关键一环。
“我在一年前预测过芯片短缺，而下一个短缺的将是电力，明年将没有足够的电力来运行所有芯片。”特斯拉首席执行官埃隆·马斯克曾发表过这方面的担忧。
无独有偶，此前，OpenAI 创始人山姆·奥特曼也曾提出类似警告：“下一波生成型人工智能系统消耗的电力将远远超出预期，能源系统将难以应对，未来AI的技术取决于能源，我们需要更多的光伏和储能。”
美国科技巨头们的焦虑尽显，海外研究机构曾有报告称，ChatGPT 每天要响应大约 2 亿个请求，在此过程中消耗超过 50 万度电力，这基本相当于 1.7 万个美国普通家庭的用电量。
针对国内情况，邬江兴在会上对此发表了不同看法，他强调了“用电力拼算力”这一发展范式的不可持续。“算力的极限不是电力，不应该是电力，电力支持不了算力的持续发展。”邬江兴坚持认为。
「超智融合」已成大势所趋
今年以来，“超智融合”也已成为业界广泛认可的国内 HPC 新趋势，这一点在本次大会上体现尤为明显。
“超算是可以用来训练超大模型的”，清华大学计算机系教授陈文光在演讲中提到，“过去，我国在超算上是有很好的基础的，那为什么到了智算时代，所有人都觉得我们落后了很多，是不是可以把超算领域的经验移植到智算领域里面来，通过‘超智融合’的方式。”
他也在过往实践中验证了这一观点的可行性——
“我们在新神威计算机上研发了一个大模型训练框架叫‘Bagualu’，不过之前没有说要去超智融合，所以在双精度算力和半精度算力上面只做到了 1：4。但是如果这台机器能做到 1：16，用来做 AI 训练的话也会有一定竞争力。”陈文光说道。
他认为，超智融合或为解决国内算力瓶颈的重要路线：
“确实超算过去只有科学和工程计算作为主要的应用，面临商业用户相对来说是比较少的问题，如果能够做到很好的超智融合，也能给国产超级计算及的商业应用，提高整个的投资效率起到很好的作用。”
并行科技董事长、CCF 副理事长陈健对于“超智融合”的趋势也有类似的感受。
在他看来，“在 AI 的进化史中，较长时间内我们理解 AI 是 AI，超算是超算。但从去年开始，AI的大模型训练需求暴涨，这是典型的并行计算应用，底层需要超级计算机，是以 GPU 为主的超级计算机。其实超算也并不是说只有 CPU 的超级计算机，我们去看 top500，70% 是英伟达和 AMD 的 GPU 搭建起来的超级计算机，主要的算力是由 GPU 来组成的。”
自“百模大战”打响后，过去两年，业内不少实践发现，传统的基于云主机、虚拟化所搭建的云服务平台，面对大模型训练并不合适，而最关键的一点在于，没有解决卡与卡之间性能的问题，也就是超算中常用的带宽问题，或者说计算与通信的比例关系。
陈健将当前大模型的算力需求总结为以下方面——超大规模大模型训练供不应求，包括微调在内的常规的大模型训练供大于求。
对于常规大模型训练，目前看到的情况是：“今年上半年大概有 140 多个智算中心在建，全国在规划中的共有 250 多个智算中心，这部分算力搭建出来之后，大概率是 2000 卡以下的集群，而现在这样的需求正在萎缩。”
其中，关键原因在于两方面——“卷”基础大模型的厂商变少以及随着基础大模型版本的更新迭代，许多行业模型的存在价值正在消失。
当前，业内有关“算力网”建设的呼吁，则是在对“超智融合”这一趋势的预判之下给出的解决方案，对此，大会现场也有不少相关讨论。
国防科技大学院士王怀民介绍道，“超算与智算融合不仅体现在算力中心，还出现在更广泛范围内算力中心资源的有效连接和共享，所以我们都在呼唤中国算力网的出现。”
这也是由中美需求上的差异所决定的，美国的算力主要集中在云服务商手里，通信运营商并没有很强的算力，也并没有强调建立算力网，而是利用分布式的系统和编程语言技术来解决云的孤立的问题。
中国工程院院士李国杰以天空实验室为例介绍了美国的当前情况——
“Spark 的发明人 Ion Stoica 组建了一个 SkyComputing 实验室，2022 年正式启动，主要是想解决云服务平台的孤岛问题，想要发展成一种公共服务。主要包括三层平台，兼容层隐藏云之间的差异，云间层寻找不同服务的最佳性价比，互惠对等层则主要实现免费和快速地在云间传输。”
说回到国内，据李国杰观察，当前，由于在训练过程中需要频繁交换模型参数和梯度信息，所以实现反向传播的延迟通常要控制在毫秒级以下，国内的龙头企业都在做支持 10 万 GPU 卡以上规模的大模型，但采用的都是相对集中的集群系统，并没有采用异地分布式计算。
“他们的集群一般装在一个园区，可能有几个楼，分成几个计算岛，岛里面进行张量并行和流水线并行，岛之间做数据并行。但数据并行有个大问题，它要求一个 GPU 就要把整个模型参数存起来，GPT4 有 1.8 万亿参数，可能需要 10 个 TB 以上的内存，这个成本非常高。”他说道。
同时，他还表示，“在西部建很多小的超算中心、智算中心，联合起来就可以解决我们国家的人工智能训练问题，这样的想法可能并不太靠谱。”
较为可行的解法还是“算力网”。
在李国杰的设想中，“算力网要发挥智能时代的基础设施的作用，也需要像有浏览器、微信一样的全民的普及应用。”
当前算力提供商、政府及学界纷纷在呼吁算力网的建设，在这方面也做出了不同的努力：
运营商布局云网融合，地方政府建算力枢纽中心，计算机界则聚焦于分布式计算的基础研究，例如，中科院计算所在做信息高铁项目、刘韵洁院士在做确定性计算网络、蒋昌俊院士在做机动性的方舱计算。
不过李国杰也发现，目前，真正需要这种远程算力的关键用户到底在哪，暂时还不是很清楚。
未来，在用户需求洞察的基础之上，前述各方布局可以形成一定合力。
“最迫切的一点在于为需要几百卡、几千卡做训练的中小模型单位找到合适的算力，如果把这件事真正做好了，就能打磨出算力网的 1.0 版本。几年后，推理会比训练需要更多算力，等到那时再升级 2.0 版本的算力网。”李国杰预判。