大模型深挖數(shù)據(jù)要素價值：算法、算力之后，存儲載體價值凸顯

文 | 智能相對論

作者 | 葉遠(yuǎn)風(fēng)

18.8萬億美元，這是市場預(yù)計2030年AI推動智能經(jīng)濟(jì)可產(chǎn)生的價值總和，其中大模型帶來的AI能力質(zhì)變無疑成為重要的推動力量。

大模型浪潮下，業(yè)界對AI發(fā)展的三駕馬車——算力、算法、數(shù)據(jù)任何一個維度的關(guān)注都到了全新的高度，避免“木桶效應(yīng)”成為大模型發(fā)展首要考慮的問題。

而在這個過程中，業(yè)界對“數(shù)據(jù)”的關(guān)注，往往集中在“量”+“質(zhì)”上，更龐大的數(shù)據(jù)量與更高的數(shù)據(jù)質(zhì)量能推動大模型有更好的訓(xùn)練與應(yīng)用效果，已經(jīng)成為共識。

但是，隨著大模型創(chuàng)新對數(shù)據(jù)需求越來越復(fù)雜，單單關(guān)注數(shù)據(jù)的“量”+“質(zhì)”已經(jīng)不夠，能夠承載數(shù)據(jù)、滿足大模型需要的存儲，同樣值得大模型領(lǐng)域從業(yè)者關(guān)注。

在剛剛舉辦的華為全聯(lián)接大會2023（HC 2023）上，華為方面系統(tǒng)介紹了其存儲解決方案如何解決大模型訓(xùn)練與應(yīng)用痛點(diǎn)、支撐大模型創(chuàng)新進(jìn)程。

華為的動作，從數(shù)據(jù)維度全景展示了大模型發(fā)展的本質(zhì)——“數(shù)據(jù)要素”大開發(fā)，以及存儲創(chuàng)新如何為這種本質(zhì)提供力量，幫助大模型從業(yè)者更好地掘金智能經(jīng)濟(jì)時代。

大模型時代即是數(shù)據(jù)要素時代，存儲作為載體的價值彰顯

毫無疑問，大模型對算力、算法、數(shù)據(jù)的需求都在急速提高。

市場研究統(tǒng)計，過去五年，大模型參數(shù)增加2000倍，所需計算能力增加5萬倍，對數(shù)據(jù)存儲需求增加10萬倍，連帶網(wǎng)絡(luò)帶寬需求增加8000倍。

大開大合大需求，需要大設(shè)施、大投入。

但是，如果從創(chuàng)新的視角來看，實(shí)際上無論是算法還是算力的提供，其難度都在下降或者說收斂。

在很多企業(yè)都頭疼的算力上，雖然需要的量很大，但無非都來自于英偉達(dá)、昇騰等GPU硬件資源，是一件主要依賴成本投入的事。換句話說，只要有足夠多的預(yù)算，算力資源就能供給上來。

在算法端，雖然各大廠商不斷調(diào)優(yōu)迭代，但總體上都在采用Transformer模型基礎(chǔ)架構(gòu)，基于Pytorch、TensorFlow、MindSpore等主流開發(fā)框架開發(fā)，是逐漸收斂的。

這時候，壓力來到了數(shù)據(jù)這里。

隨著大模型深入發(fā)展，在總量上，數(shù)據(jù)需求早已從TB級躍升到PB級，需要的“池子”越來越大；而同時，對數(shù)據(jù)類型的需求又極大豐富，單一文本的模態(tài)之外，圖片、視頻、語音等多模態(tài)數(shù)據(jù)爆發(fā)，數(shù)據(jù)需求越來越復(fù)雜，這些都考驗著存儲的承載力，以及如何在訓(xùn)練、應(yīng)用過程中更好地與算力、算法協(xié)同工作。

這期間，諸多難題出現(xiàn)，等待存儲攻克，主要包括：

小文件讀取性能。大模型在數(shù)據(jù)需求上以圖片文本等海量小文件為主，單臺AI服務(wù)器每秒能夠讀取2萬多張圖片，這往往會導(dǎo)致數(shù)據(jù)加載效率低（類似于個人PC上的復(fù)制動作，同等空間下，內(nèi)含大量小文件文件夾會比單一大文件要慢很多），影響大模型的訓(xùn)練效率。此時，海量小文件性能就成為瓶頸，萬億參數(shù)大模型的基礎(chǔ)要求已經(jīng)達(dá)到1000萬IOPS。

CheckPoint斷點(diǎn)續(xù)訓(xùn)。大模型訓(xùn)練過程中出于參數(shù)調(diào)優(yōu)等各種需求，會在不特定時間點(diǎn)中斷形成CheckPoint，后續(xù)再啟動繼續(xù)訓(xùn)練（需要時間，形成GPU資源利用的空檔）。這是一種對長時間訓(xùn)練的模型非常友好的能力，但企業(yè)頻繁參數(shù)調(diào)優(yōu)往往會造成GPU利用率降低（目前業(yè)界通常平均每二天就會中斷一次，GPU利用率只有40%），需要存儲具備很強(qiáng)的大文件讀寫性能，才能減少GPU等待時間、提升昂貴資源利用效率。

“AI幻覺”問題。大模型輸出結(jié)果“胡編亂造”，與事實(shí)明顯沖突的現(xiàn)象是業(yè)界十分頭疼的問題，這種大模型自以為是的現(xiàn)象稱作“AI幻覺”?？雌饋磉@是算法上的問題，但實(shí)際上，業(yè)界在探索中逐漸發(fā)現(xiàn)，它的解決需要的是在數(shù)據(jù)層面不斷“求證”（主要是參考上下文信息），本質(zhì)上要求存儲能夠提供一個類似于“百科詞典”的知識體系，來作為大模型的“海馬體”提供準(zhǔn)確的行業(yè)知識。

可以看到，在創(chuàng)新層面，解決大模型在存儲上面臨的挑戰(zhàn)，可能要優(yōu)先于算力和算法。

這一點(diǎn)，其實(shí)也讓大模型進(jìn)一步回歸到本質(zhì)上，即以參數(shù)量更大的AI模型進(jìn)一步挖掘數(shù)據(jù)要素的價值，推動千行百業(yè)實(shí)現(xiàn)轉(zhuǎn)型升級。

現(xiàn)在，數(shù)據(jù)要素已經(jīng)作為數(shù)字經(jīng)濟(jì)和信息社會的核心資源，被認(rèn)為是繼土地、勞動力、資本、技術(shù)之后的又一重要生產(chǎn)要素，包括大模型在內(nèi)的無數(shù)創(chuàng)新，都是在圍繞數(shù)據(jù)要素進(jìn)行價值深度開發(fā)。

大模型的發(fā)展過程，可以看作是數(shù)據(jù)要素不斷從原始走向價值輸出的過程。

這一過程中，算法在前方引導(dǎo)方向、走向通用或具體行業(yè)，澎湃的算力帶來強(qiáng)勁的推動力，而存儲則提供支撐與協(xié)同能力。當(dāng)算力主要依賴成本投入、算法逐步收斂，存儲作為數(shù)據(jù)要素載體的創(chuàng)新價值就越來越凸顯。

讓數(shù)據(jù)要素價值落地，華為存儲多維度出擊解決痛點(diǎn)問題

如何解決存儲面臨的挑戰(zhàn)，華為高性能知識庫存儲OceanStor A800產(chǎn)品與對應(yīng)解決方案在面向行業(yè)模型訓(xùn)推場景擁有全面領(lǐng)先的訓(xùn)推效率，總體而言有四大特點(diǎn)：

1、極高的整體性能，匹配大模型訓(xùn)練需要

華為存儲首要解決的是在整體性能上滿足大模型對訓(xùn)練數(shù)據(jù)的龐大需求，尤其是對小文件讀取性能的需求。

OceanStor A800基于創(chuàng)新數(shù)控分離架構(gòu)，單框IOPS能夠達(dá)到2400萬，訓(xùn)練集加載效率是業(yè)界的4倍，而且可以根據(jù)客戶需求實(shí)現(xiàn)性能線性擴(kuò)展。此外，OceanFS分布式文件系統(tǒng)實(shí)現(xiàn)全局均衡打散，消除了CPU瓶頸，能帶來海量小文件性能的極致提升體驗，滿足大量小文件讀取需求。

只要有性能需要，盡管“往上加”，華為存儲都“扛得住”。

2、特殊能力優(yōu)化，滿足斷點(diǎn)續(xù)訓(xùn)等特定需要

斷點(diǎn)續(xù)訓(xùn)等特殊情況下如何更好地提供支撐，是華為存儲在大模型訓(xùn)練階段要同步應(yīng)對的挑戰(zhàn)。

通過盤控協(xié)同、NFS+并行文件系統(tǒng)，華為存儲實(shí)現(xiàn)了單框500GB/s超高帶寬，能夠做到CheckPoint的超快恢復(fù)，斷點(diǎn)續(xù)訓(xùn)恢復(fù)速度是業(yè)界3倍，TB級CheckPoint讀寫實(shí)現(xiàn)從小時級到分鐘級的跨越（即萬億參數(shù)大模型平均恢復(fù)時間小時級提速到分鐘級），減少昂貴的GPU等待。

只要是優(yōu)化大模型需要的，客戶都能夠更加大膽地進(jìn)行參數(shù)調(diào)優(yōu)等操作。

除此之外，其管控面擁有資源分區(qū)+統(tǒng)一調(diào)度能力，還能夠讓存儲適合不同的業(yè)務(wù)模型。

不管客戶面向什么業(yè)務(wù)模型進(jìn)行開發(fā)，不管客戶在過程中選擇在什么時候暫停，華為存儲都能更好地應(yīng)對。

3、響應(yīng)能力強(qiáng)化，滿足大模型應(yīng)用的實(shí)時需求

訓(xùn)練階段完成后，華為存儲要做的，是在應(yīng)用階段滿足嚴(yán)苛的數(shù)據(jù)響應(yīng)需要。

目前，在大模型應(yīng)用階段，得益于內(nèi)置了向量知識庫（以向量的形式儲存行業(yè)知識），華為存儲的QPS達(dá)到了25萬+，已經(jīng)能夠?qū)崿F(xiàn)毫秒級響應(yīng)，一方面能夠加速推理，使得應(yīng)用過程中的GPU資源消耗大大減少，有效節(jié)約了落地成本——當(dāng)前很多大模型在開放應(yīng)用階段的資源消耗十分巨大，有些企業(yè)已經(jīng)不堪重負(fù)；另一方面“百科詞典”使得大模型更具準(zhǔn)確的行業(yè)知識，對減少AI幻覺產(chǎn)生起到重要的支撐作用，能大大提升推理的精度。

4、架構(gòu)創(chuàng)新，保障整體系統(tǒng)的穩(wěn)定可靠

對存儲最后一個也是最基本的要求是，無論具備什么樣的特性，都要保證穩(wěn)定可靠的整體結(jié)構(gòu)，不發(fā)生安全問題、不“掉鏈子”。

華為存儲解決一系列大模型數(shù)據(jù)痛點(diǎn)需求的過程，某種程度上也增加了存儲方案與體系的復(fù)雜性，但與此同時，華為并沒有犧牲系統(tǒng)的可靠性，其創(chuàng)新的全互聯(lián)AA架構(gòu)，能夠?qū)崿F(xiàn)5層全方位保護(hù)與6個9的超高可靠。

由此，大模型的數(shù)據(jù)可靠性及訓(xùn)練穩(wěn)定性實(shí)現(xiàn)了端到端的保障。

造輪者，先行久遠(yuǎn)路途

華為存儲能夠解決大模型數(shù)據(jù)痛點(diǎn)問題，根源在于其長期以來在存儲上的創(chuàng)新探索。

OceanStor A800的數(shù)控分離架構(gòu)，就利用了業(yè)界前沿的數(shù)據(jù)讀寫直通到盤的技術(shù)創(chuàng)新，讓數(shù)據(jù)面直通到盤，與控制面分離，實(shí)現(xiàn)IO直通，從而減少數(shù)據(jù)讀寫時CPU的運(yùn)算，大大提升存儲性能。

實(shí)際上，華為長期以來在存儲上進(jìn)行技術(shù)耕耘，已經(jīng)取得了頗多類似的前沿創(chuàng)新成果。

目前，華為OceanStor存儲在全球擁有12個研發(fā)中心、4000+研發(fā)人員、3000+專利，產(chǎn)品涉足高性能NAS存儲解決方案、存儲防勒索解決方案、容器存儲解決方案、數(shù)據(jù)中心虛擬化等多個領(lǐng)域，獲得了廣泛好評。

在全球150多個國家，華為存儲已經(jīng)服務(wù)了包括運(yùn)營商、金融、政府、能源、醫(yī)療、制造、交通等行業(yè)在內(nèi)的25000+客戶。

可以說，為數(shù)據(jù)要素價值開發(fā)、為大模型創(chuàng)新需求量身定制的存儲能力，是華為長期以來在存儲賽道上深耕的必然結(jié)果——華為存儲早已做好了為眾多領(lǐng)域數(shù)據(jù)需求（不只有大模型）提供強(qiáng)大承載力與協(xié)同力的準(zhǔn)備。

*本文圖片均來源于網(wǎng)絡(luò)

生成海報

免責(zé)聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個人觀點(diǎn)，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請自行核實(shí)相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。