曦智科技聯(lián)合北京大學、階躍星辰為下一代萬億參數(shù)大模型訓練的基礎設施建設提出全新解決方案。

隨著大模型參數(shù)規(guī)模的擴大，分布式訓練成為人工智能發(fā)展的核心途徑。分布式訓練可以將模型數(shù)據(jù)分配給多個計算節(jié)點，進行并行計算和數(shù)據(jù)管理，從而顯著加速模型訓練的過程，而高帶寬域（High Bandwidht Domain, HBD)的設計對提升模型算力利用率至關重要。

然而，現(xiàn)有的HBD架構在可擴展性、成本和容錯能力等方面存在根本性限制：

以交換機為中心的HBD（如NVIDIA NVL72）成本高昂、不易擴展規(guī)模。

以以AI 加速器（包括GPU 與專用ASIC）為中心的HBD（如Google TPUv3和Tesla Dojo）存在嚴重的故障傳播問題。

2022 年Google發(fā)布TPU v4 集群，首次采用光交換方案（Optical Circuit Switch，以下簡稱“OCS”），這種交換機-GPU混合的HBD在互連成本與系統(tǒng)擴展性之間采取了折中方案，但仍存在故障爆炸半徑問題，其成本和容錯能力仍不甚理想。

在此背景下，曦智科技聯(lián)手北京大學、階躍星辰的研究團隊提出了一種以光交換（OCS）模組為中心的高帶寬域架構InfiniteHBD，通過在光電轉換模組中集成OCS能力，InfiniteHBD實現(xiàn)了動態(tài)可重構的單點對多點連接，具備節(jié)點級故障隔離和低資源碎片化的能力。

InfiniteHBD在可擴展性和成本上全面優(yōu)于現(xiàn)有方案：InfiniteHBD的單位成本僅為NVL72的31%，GPU冗余率比NVL72和TPUv4低一個數(shù)量級，且與NVIDIA DGX（單機8卡）相比，模型算力利用率最高提升3.37 倍。

該方案以論文形式被國際通信網(wǎng)絡領域頂級會議SIGCOMM 2025[1]接收。

曦智科技在集成硅光領域擁有十余年的產業(yè)經驗，在InfiniteHBD 方案中，創(chuàng)新性的開發(fā)了基于硅光子技術的分布式光交換dOCS（distributed Optical Circuit Switch），將基于馬赫曾德（MZI，Mach-Zehnder Interferometer）交換矩陣的光交換芯片集成到商用QSFP-DD 800Gbps光電轉換模組中，大幅簡化了器件結構的同時，有效提升了器件集成度，從而降低了成本和功耗，顯著提升了InfiniteHBD 的性價比和系統(tǒng)可擴展性。

分布式光交換方案對于建設超大規(guī)模訓練集群具有以下收益：

dOCS自帶光電轉換，提供交換能力的同時可形成跨機超節(jié)點；

光交換芯片采用成熟制程，降低了對于先進制程電交換芯片的依賴；

光交換芯片對協(xié)議不敏感，適用于當前GPU連接協(xié)議碎片化的現(xiàn)狀

InfiniteHBD為高帶寬域架構的高效擴展提供了新的解決方案，為下一代萬億參數(shù)大模型訓練的基礎設施建設帶來了重要啟示。 注釋： [1]SIGCOMM，Special Interest Group on Data Communication，即數(shù)據(jù)通信專業(yè)組，是ACM（美國計算機協(xié)會）組織在通信網(wǎng)絡領域的旗艦會議。今年的SIGCOMM 將于9 月8日-11日在葡萄牙科英布拉舉行。

關于曦智科技

曦智科技是全球領先的光電混合算力提供商。公司憑借在集成光子領域的開創(chuàng)性技術和全球頂尖的集成電路技術研發(fā)團隊，致力于在計算需求爆發(fā)的時代，為客戶提供一系列算力躍遷解決方案，與客戶共建更智能、更可持續(xù)的世界。曦智科技從光子矩陣計算(oMAC)、片上光網(wǎng)絡(oNOC)和片間光網(wǎng)絡(oNET)三大核心技術出發(fā)，打造光子計算和光子網(wǎng)絡兩大產品線，與大數(shù)據(jù)、云計算、金融、自動駕駛、生物醫(yī)藥、材料研究等領域客戶開展緊密合作，持續(xù)為客戶提供更具創(chuàng)造性的高效算力支撐。