AI的隐藏瓶颈：网络如何影响企业LLM战略

在快速发展的AI领域，性能至关重要——而这不仅限于计算性能。现代数据中心里，连接GPU、交换机和服务器的网络基础设施承受着巨大的压力。随着AI模型扩展到数千亿个参数，行业关注的焦点正转向AI训练性能中最为关键但又经常被忽视的组成部分之一：网络。

长期以来，对AI网络进行基准测试和优化都需要在昂贵、耗电的GPU上运行实时工作负载。但GPU的可用性有限，而且大规模测试环境的配置需要时间和资金。因此，网络验证往往要推迟到实际工作负载运行时才能进行——这对于发现设计缺陷或性能瓶颈来说已经太迟了。

在超大规模AI时代，这种模式已经行不通了。

 
AI网络基础设施的负担与日俱增

当今AI模型的规模清晰地揭示了未来的基础设施挑战。当OpenAI训练GPT-3这一具有里程碑意义的、规模为1750亿个参数的语言模型时，运算量大约达到了3.14×10²³ FLOPs，这需要数千个NVIDIA V100 GPU运行数周的时间。这种工作负载不仅挑战了计算的极限，还考验了数据中心的整体架构。AI训练工作在GPU、存储和参数服务器之间产生了极端的东西向流量。流量模式中的任何拥堵、延迟或不平衡都会对吞吐量和能效产生重大影响。在超大规模场景下，即使是微小的效率损耗，也会造成数百万美元的损失。

然而，尽管网络层至关重要，行业却很少在部署前对网络基础设施上的真实AI工作负载执行测试。大多数数据中心不得不使用流量生成器、微基准测试或基于主观猜测构建的、无法反映真实训练动态的合成模型。在一个新工作负载不断重新定义性能预期的时代，这样的做法无疑充满风险。

基于工作负载仿真，重新思考AI网络验证方式

为了满足大规模AI的需求，具有前瞻性的企业目前正在采用AI工作负载仿真——这是一种使用模拟训练数据来重现大语言模型（LLM）训练、推理及其他AI任务的流量模式和需求的方法。

工程师无需查看GPU是否可用，即可通过仿真工作负载实现以下目标：

· 再现真实的AI训练场景
· 测量整个网络架构的性能
· 识别拥塞、抖动、缓冲压力和路由效率低下问题
· 对不同的拓扑结构、负载均衡方法和队列配置执行测试

这种基于仿真的方法可以让团队在GPU到位之前对数据中心网络进行基准测试和调试，从而大幅降低成本并加快部署。它还允许工程师重放过往的工作负载，以测试他们的网络在不同流量组合或拥塞控制策略下的响应情况。

实际应用：企业发挥引领作用

这并非停留在理论层面，而是已然落地的实践。

例如，瞻博网络（Juniper Networks）近期发布了一份白皮书，概述了该公司如何利用AI工作负载重放和仿真来验证AI数据中心的交换架构。通过在其网络架构中复现真实的LLM训练流量，瞻博网络可以测试拥塞场景、分析结构的可扩展性并优化队列配置策略，而无需等待实际GPU的部署。

瞻博网络的工程师还强调了在“未来负载条件”下验证网络行为的重要性。借助工作负载仿真，他们能够模拟尚未上线的训练工作负载，助力其构建可满足下一代AI需求的网络。

Meta以运营一些全球最先进的AI基础设施而闻名，它在模拟AI训练环境的内部测试平台上大力投入。这些测试平台让Meta的工程师能够使用类似训练的流量模式来验证拓扑决策、交换算法和拥塞处理策略。

同样，Microsoft正在从根本上重新设计其数据中心架构，以满足大规模AI工作负载的需求。这一转变涵盖定制的AI加速器、创新的机架规模系统以及为AI训练量身定制的高带宽网络结构。为支持这些转变，Microsoft投入于先进的建模和仿真工具，以复现LLM训练的密集流量模式。借助这些工具，在部署前，工程师就能够在受控环境中评估新的拓扑结构、测试负载均衡策略，并验证拥塞控制机制。

对于所有这些行业领导者来说，模拟真实AI工作负载的用意十分明确：避免主观猜测，缩短验证时间，确保网络的扩展能够跟上AI创新的速度。

工作负载仿真的五大优势

与传统方法相比，AI工作负载仿真具有以下几个关键优势：

1. 降低成本

无需专门为网络测试预留昂贵的GPU资源。仿真可在商品硬件或虚拟环境中进行。

2. 提高速度

支持在硬件采购或部署阶段同步进行性能测试，从而加快开发速度。无需等待机架里的GPU全部可用时再执行测试。

3. 真实性

仿真工作负载相比合成流量生成器，能更准确地复现真实的训练模式（如突发流量、集体操作、同步阶段）。

4. 可重复性

可以捕获、保存和反复重放工作负载，以测试不同拓扑设计、队列算法或配置更改的效果。

5. 可扩展性

支持测试未来的“假设”场景，例如验证当前网络如何处理来自下一代模型的双倍流量。这种方法使网络架构师能够从被动的性能调整转向主动优化——确保AI基础架构的每一层在投入使用之前，都针对吞吐量、延迟和成本效益进行了调整。

参与超大规模AI基础设施建设的企业实现战略转变

随着LLM的不断发展——朝着万亿参数规模、多模式架构和低延迟推理的方向前进——数据中心网络将面临前所未有的压力。未来五年，AI集群的东西向流量预计将增长10倍或更多，在这种情况下，“等GPU到位再测试网络”的旧模式根本无法扩展。企业如果不能及早、经常地验证其网络，就可能面临性能瓶颈、成本超支和产品面市时间延迟等问题。

通过采用AI工作负载仿真，企业可以从昂贵的试错转向明智的设计，确保其网络能够满足未来的需求。

结论：AI网络测试的未来在于虚拟化

在打造更快、更智能AI模型的竞赛中，基础设施至关重要——而网络与计算同样关键。赢家将是那些能在生产流量进入系统之前，就能针对AI规模的工作负载对其网络进行模拟、测试和优化的企业。

正如瞻博网络、Meta和Microsoft等公司所展示的那样，工作负载仿真已不仅是一种战术优势，它正在成为一种战略必需。

对于超大规模云服务商、网络设备制造商以及任何为AI构建数据中心网络的企业来说，结论都非常明确：要保持竞争力，就必须采用仿真优先的设计，并从一开始就让网络为AI做好准备。

作者：是德科技产品经理Allison Freedman