Для создания революционно нового ИИ следующего поколения необходимы мощные суперкомпьютеры, способные выполнять квинтиллионы операций в секунду. Meta представляет новый суперкомпьютер с искусственным интеллектом. По словам материнской компании Facebook, когда AI Research SuperCluster (RSC) будет полностью построен, он станет самым быстрым суперкомпьютером с ИИ в мире. Это стало результатом почти двухлетней работы нескольких сотен человек. В проекте приняли участие исследователи из Nvidia Inc., Penguin Computing Inc. и Pure Storage Inc.
Meta заявила, что её исследовательская группа в настоящее время использует суперкомпьютер для обучения моделей ИИ обработке естественного языка и компьютерному зрению. Цель состоит в том, чтобы расширить возможности однодневных обучающих моделей с более чем триллионом параметров на наборах данных размером до эксабайта, что эквивалентно высококачественному видео длительность примерно в 36 000 лет.
«То, что мы создаем для Метавселенной, требует огромных вычислительных мощностей… и RSC позволит создавать новые модели ИИ, которые могут учиться на триллионах примеров, понимать сотни языков и многое другое», — заявил Марк Цукерберг.
По данным Meta, в новом суперкомпьютере с искусственным интеллектом установлено 6080 графических процессоров Nvidia, что ставит его на пятое место среди самых быстрых суперкомпьютеров в мире. К середине лета 2022 года, когда AI Research SuperCluster будет полностью построен, в нём будет размещено 16 000 графических процессоров. Компания пока что отказывается комментировать расположение объекта и его стоимость.
На пути к Метавселенной
Мета начала делать долгосрочные инвестиции в ИИ с 2013 года, когда создали Исследовательскую лабораторию искусственного интеллекта Facebook. В последние годы они добились значительных успехов в области искусственного интеллекта благодаря лидерству в ряде областей, включая самоконтролируемое обучение, где алгоритмы могут учиться на огромном количестве неразмеченных примеров, и трансформеры, которые позволяют моделям ИИ более эффективно «рассуждать», сосредотачиваясь на определённых областях вводимой информации.
Чтобы в полной мере реализовать преимущества самоконтролируемого обучения и моделей на основе трансформеров различных областей, будь то зрение, речь, язык или выявление вредоносного контента, требует обучения всё более сложных и адаптируемых моделей. Компьютерному зрению, например, необходимо обрабатывать большие и длинные видео с более высокой частотой дискретизации данных. Распознавание речи должно хорошо работать даже в сложных условиях с большим количеством фонового шума и «понимать» больше языков, диалектов и акцентов. Робототехника и мультимодальный ИИ помогут людям выполнять полезные задачи в реальном мире.
Например, одним из ИИ для которых разработан RSC является аудиовизуальный скрытый блок BERT (Audio-Visual Hidden Unit BERT, AV-HuBERT), современная самоконтролируемая платформа для распознавания речи, которая учится как с помощью «слуха», так и с помощью «зрения». Это первая система, которая совместно моделирует речь и движения губ из неразмеченных данных — необработанного видео, которое ещё не было расшифровано. AV-HuBERT на 75 % точнее, чем лучшие аудиовизуальные системы распознавания речи (которые используют как звук, так и изображение говорящего, чтобы понять, что говорит человек). Поскольку для большинства языков мира трудно получить большие объёмы размеченных данных, подход AV-HuBERT с самоконтролем поможет создать устойчивые к шуму системы автоматического распознавания речи для большего количества языков и приложений.
Первое поколение высокопроизводительной инфраструктуры, разработанное в 2017 году, включает 22 000 графических процессоров NVIDIA V100 с тензорными ядрами в одном кластере, выполняющем 35 000 учебных заданий в день. До сих пор такая инфраструктура устанавливала планку для исследователей Meta с точки зрения её производительности, надежности и производительности.
В начале 2020 года было решено, что лучший способ ускорить прогресс — это спроектировать новую вычислительную инфраструктуру с чистого листа, чтобы использовать преимущества новой технологии GPU и сетевой структуры.
В то время как сообщество высокопроизводительных вычислений десятилетиями боролось с масштабированием, необходимо было убедиться, что у Meta есть все необходимые средства контроля безопасности и конфиденциальности для защиты любых данных обучения, которые используются. В отличие от предыдущей исследовательской инфраструктуры ИИ, которая использовала только открытый исходный код и другие общедоступные наборы данных, RSC помогает обеспечить эффективное воплощение исследований в жизнь, позволяя включать реальные примеры из производственных систем Meta в обучение моделей. Это первый раз, когда производительность, надежность, безопасность и конфиденциальность решаются в таком масштабе.
Обычные суперкомпьютеры оптимизированы для высокоточной деятельности, в то время как суперкомпьютеры с искусственным интеллектом работают с гораздо более низкими уровнями точности. ИИ обычно требует, чтобы компьютеры одновременно выполняли большое количество низкоточных вычислений. Графические процессоры хорошо подходят для этой задачи, поскольку они имеют тысячи вычислительных ядер, которые могут работать одновременно.
Высокопроизводительная вычислительная инфраструктура, жизненно необходима, чтобы разобраться в тех объёмах данных, которые есть у Facebook. Это сокровищница данных, которую получают от пользователей, и этот набор данных слишком огромен для большинства систем искусственного интеллекта, которые обычно используют исследователи.
В конечном итоге суперкомпьютер поможет создавать модели ИИ, которые могут совместно анализировать текст, изображения и видео и разрабатывать инструменты дополненной реальности. Эта технология также поможет Meta более легко выявлять вредоносный контент и будет направлена на то, чтобы помочь исследователям разработать модели искусственного интеллекта, которые работают подобно человеческому . RSC поможет создать совершенно новые системы искусственного интеллекта, которые смогут, например, обеспечивать голосовой перевод в реальном времени для больших групп людей, каждый из которых говорит на своем языке, чтобы они могли беспрепятственно сотрудничать в исследовательском проекте или вместе играть в игру с дополненной реальностью. В конечном итоге работа, проделанная с RSC, проложит путь к созданию технологий для следующей крупной вычислительной платформы — Метавселенной.
Под капотом
Проектирование и создание чего-то вроде RSC зависит от производительности в максимально возможном масштабе самых передовых технологий доступных сегодня. Вся эта инфраструктура должна быть чрезвычайно надежной, поскольку, некоторые эксперименты могут длиться неделями и требовать тысяч графических процессоров. Наконец, весь опыт использования RSC должен быть удобным для исследователей, чтобы команды могли легко исследовать широкий спектр моделей ИИ.
Большая часть достижения этого была достигнута благодаря работе с рядом давних партнеров Meta, каждый из которых также помог разработать первое поколение инфраструктуры искусственного интеллекта в 2017 году. Penguin Computing работала с операционной группой по интеграции оборудования для развертывания RSC и помогла настроить основные части плоскости управления. Pure Storage предоставила надёжное и масштабируемое решение для хранения данных. NVIDIA предоставила свои вычислительные технологии искусственного интеллекта с передовыми системами, графическими процессорами и коммутационной сетью InfiniBand, а также компоненты программного стека, такие как NCCL.
Суперкомпьютеры с искусственным интеллектом строятся путём объединения нескольких графических процессоров в вычислительные узлы, которые затем соединяются с помощью высокопроизводительной сетевой структуры для обеспечения быстрой связи между этими графическими процессорами. Сегодня RSC включает в общей сложности 760 систем NVIDIA DGX A100 в качестве вычислительных узлов, что в общей сложности составляет 6080 графических процессоров, причём каждый графический процессор A100 более мощный, чем V100, использовавшийся в предыдущей системе. Каждый DGX обменивается данными через двухуровневую матрицу Clos NVIDIA Quantum 1600 Гбит/с InfiniBand. Уровень хранения RSC включает 175 петабайт Pure Storage FlashArray, 46 петабайт кэш-памяти в системах Penguin Computing Altus и 10 петабайт Pure Storage FlashBlade.
Ранние тесты RSC по сравнению с устаревшей производственной и исследовательской инфраструктурой Meta показали, что он запускает рабочие процессы компьютерного зрения до 20 раз быстрее, запускает библиотеку коллективных коммуникаций NVIDIA (NCCL) более чем в девять раз быстрее и обучает крупномасштабные модели распознавания речи в три раза быстрее. Это означает, что модель с десятками миллиардов параметров может завершить обучение за три недели по сравнению с девятью неделями ранней версии.
Помимо самой базовой системы, также требовалось мощное решение для хранения данных, которое могло бы обслуживать терабайты пропускной способности системы хранения эксабайтного масштаба. Чтобы удовлетворить растущие потребности в пропускной способности и емкости для обучения ИИ, с нуля разработали службу хранения AI Research Store (AIRStore). Для оптимизации моделей ИИ в AIRStore используется новый этап подготовки данных, который предварительно обрабатывает набор данных, который будет использоваться для обучения. После того как подготовка выполнена один раз, подготовленный набор данных можно использовать для нескольких тренировочных прогонов, пока не истечёт срок его действия. AIRStore также оптимизирует передачу данных, чтобы свести к минимуму межрегиональный трафик в магистрали между центрами обработки данных Meta.
Чтобы создавать новые модели ИИ, которые приносят пользу людям — будь то обнаружение вредоносного контента или создание новых возможностей дополненной реальности — необходимо обучать модели, используя реальные данные из существующих производственных систем. RSC был разработан с нуля с учётом конфиденциальности и безопасности, поэтому исследователи Meta могут безопасно обучать модели, используя зашифрованные пользовательские данные, которые не расшифровываются до непосредственного момента обучения. Например, RSC изолирован от Интернета, без прямых входящих и исходящих соединений, а трафик может проходить только из производственных центров обработки данных Meta.
Чтобы соответствовать требованиям конфиденциальности и безопасности, весь путь данных от систем хранения до графических процессоров полностью зашифрован и имеет необходимые инструменты и процессы для проверки соблюдения этих требований в любое время. Прежде чем данные будут импортированы в RSC, они должны пройти процесс проверки конфиденциальности, чтобы подтвердить, что они были правильно анонимизированы или были приняты альтернативные меры безопасности для защиты данных. Затем данные шифруются, прежде чем их можно будет использовать для обучения моделей ИИ. Данные и ключи дешифрования регулярно удаляются, чтобы гарантировать, что старые данные недоступны. А поскольку данные расшифровываются только в одной конечной точке, в памяти, они защищены даже в маловероятном случае физического взлома объекта.
Второй этап
RSC, по утверждению Meta, должен составить конкуренцию суперкомпьютеру Perlmutter из Национальной лаборатории Лоуренса в Беркли. Пока что, RSC пятый самый мощный суперкомпьютер, который сейчас работает. Это может измениться, поскольку компания продолжает строить систему. В конечном итоге они планируют сделать его в три раза мощнее, что теоретически позволит ему претендовать на третье место. Но тут есть оговорка. Такие системы, как Summit из Ливерморской национальной лаборатории Лоуренса, занимающая второе место, используются в исследовательских целях, где точность имеет первостепенное значение. Если смоделировать молекулы в какой-либо области атмосферы Земли с беспрецедентным уровнем детализации, то нужно довести каждый расчёт до большого количества после десятичной запятой. А это означает, что эти вычисления требуют больших вычислительных затрат.
В Мета объясняют, что приложениям ИИ не требуется подобная степень точности, поскольку результаты не зависят от этой тысячной доли процента — операции вывода в конечном итоге дают результаты по типу, «90 % уверенность, что это кошка», и если бы это число было 89 % или 91 % не имело бы большого значения. Трудность заключается скорее в достижении этих 90 % уверенности для миллиона объектов или фраз, а не для сотни. Это всего лишь упрощение, но в результате RSC, работающий в математическом режиме TensorFloat-32, может получить больше FLOP/s (операций с плавающей запятой в секунду) на ядро, чем другие, более ориентированные на точность системы. В данном случае это до 1 895 000 терафлоп/с, или 1,9 экзафлоп/с, что в 4 раза больше, чем у Fugaku. Но всё это не меняет того факта, что RSC будет одним из самых быстрых компьютеров в мире, возможно, самым быстрым из тех, которые будут использоваться частной компанией для собственных целей.
RSC запущен и работает сегодня, но его разработка продолжается. Как только завершится второй этап создания RSC, это будет самый быстрый суперкомпьютер с искусственным интеллектом в мире, выполняющий почти 5 экзафлопс вычислений. К 2022 году Meta будет работать над увеличением количества графических процессоров с 6080 до 16 000, что повысит эффективность обучения ИИ более чем в 2,5 раза. Коммутационная сеть InfiniBand будет расширяться для поддержки 16 000 портов в двухуровневой топологии без превышения лимита подписки. Система хранения будет иметь целевую пропускную способность 16 ТБ/с и эксабайтную емкость для удовлетворения растущего спроса.
Ожидается, что такое ступенчатое изменение вычислительных возможностей позволит не только создавать более точные модели ИИ для существующих сервисов, но и обеспечит совершенно новый пользовательский опыт, особенно в метавселенной. Долгосрочные инвестиции в самоконтролируемое обучение и создание инфраструктуры искусственного интеллекта следующего поколения с помощью RSC помогут Meta создавать основополагающие технологии, которые будут питать метавселенную и продвигать более широкое сообщество искусственного интеллекта.
На данный момент суперкомпьютер Meta используется лишь в исследовательских целях, и вряд ли на его основе появятся продукты в ближайшие годы. Его цель состоит в том, чтобы собирать массивы данных для создания моделей ИИ, которые могут думать как человеческий , с несколькими входными данными, такими как голосовое и визуальное распознавание, и могут обеспечивать контекстуальное понимание ситуаций.
Автор:
TilekSamiev
