亞馬遜云科技計(jì)算和機(jī)器學(xué)習(xí)服務(wù)副總裁 David Brown
北京 2025年7月10日 /美通社/ -- 設(shè)想這樣一個(gè)系統(tǒng),它可以探索解決復(fù)雜問(wèn)題的多種方法,依托對(duì)海量數(shù)據(jù)的理解——從科學(xué)數(shù)據(jù)集到源代碼,再到商業(yè)文檔——并能夠?qū)崟r(shí)推理各種可能性。這種閃電般極速的推理不是未來(lái)的設(shè)想,而是如今亞馬遜云科技客戶AI生產(chǎn)環(huán)境中正在發(fā)生的事情。當(dāng)前我們的客戶在藥物研發(fā)、企業(yè)搜索、軟件開(kāi)發(fā)等多個(gè)領(lǐng)域構(gòu)建的AI系統(tǒng)規(guī)模令人驚嘆,而這僅是開(kāi)始。
為了加速推理模型、Agentic AI系統(tǒng)等新興生成式AI技術(shù)的發(fā)展,亞馬遜云科技宣布由NVIDIA Grace Blackwell Superchips加速的Amazon EC2 P6e-GB200 UltraServer現(xiàn)已正式可用。P6e-GB200 UltraServer專為訓(xùn)練和部署最大規(guī)模、最復(fù)雜的AI模型而設(shè)計(jì)。今年早些時(shí)候,亞馬遜云科技已推出了基于NVIDIA Blackwell GPU的Amazon EC2 P6-B200實(shí)例,支持多樣化的AI和高性能計(jì)算工作負(fù)載。
基于亞馬遜云科技在大規(guī)模、安全可靠GPU基礎(chǔ)設(shè)施的豐富經(jīng)驗(yàn),Amazon EC2 P6e-GB200 UltraServer和Amazon P6-B200實(shí)例能夠幫助客戶持續(xù)推動(dòng)AI技術(shù)的邊界。
滿足 AI 工作負(fù)載不斷增長(zhǎng)的計(jì)算需求
Amazon EC2 P6e-GB200 UltraServer是亞馬遜云科技迄今為止最強(qiáng)大的GPU產(chǎn)品,配備最多72個(gè)NVIDIA Blackwell GPU,這些GPU通過(guò)第五代NVIDIA NVLink互連,并作為單一計(jì)算單元運(yùn)行。每臺(tái)UltraServer可提供高達(dá)360 petaflops的高密度FP8算力,以及13.4TB的高帶寬顯存(HBM3e)——相比P5en實(shí)例,在單個(gè)NVLink域內(nèi)的計(jì)算能力提升超過(guò)20倍,內(nèi)存容量提升超過(guò)11倍。Amazon EC2 P6e-GB200 UltraServer支持高達(dá)28.8 Tbps的第四代Elastic Fabric Adapter(EFAv4)網(wǎng)絡(luò)帶寬。
Amazon EC2 P6-B200實(shí)例為廣泛AI場(chǎng)景提供靈活選擇。每個(gè)實(shí)例配備8個(gè)通過(guò)NVLink互連的NVIDIA Blackwell GPU,擁有1.4TB高帶寬顯存和最高3.2 Tbps的EFAv4網(wǎng)絡(luò)帶寬,以及第五代Intel Xeon Scalable處理器。與Amazon EC2 P5en實(shí)例相比,Amazon EC2 P6-B200實(shí)例的GPU計(jì)算能力是其2.25倍,顯存容量為其1.27倍,顯存帶寬為其1.6倍。
如何在Amazon EC2 P6e-GB200與Amazon EC2 P6-B200之間進(jìn)行選擇?關(guān)鍵取決于客戶的具體工作負(fù)載需求和架構(gòu)偏好:
基于亞馬遜云科技核心優(yōu)勢(shì)的持續(xù)創(chuàng)新
將NVIDIA Blackwell引入亞馬遜云科技不僅僅是一項(xiàng)技術(shù)突破,更是對(duì)基礎(chǔ)設(shè)施的全面創(chuàng)新?;谠谟?jì)算、網(wǎng)絡(luò)、運(yùn)維和托管服務(wù)等領(lǐng)域的多年深耕與實(shí)踐,亞馬遜云科技將NVIDIA Blackwell的全部功能融入其中,同時(shí)滿足客戶期望在亞馬遜云科技獲得的高可靠性和性能。
實(shí)例強(qiáng)大的安全性與穩(wěn)定性
客戶在選擇將GPU工作負(fù)載部署在亞馬遜云科技上的原因中,有一點(diǎn)反復(fù)被提及:他們高度認(rèn)可亞馬遜云科技在云端對(duì)實(shí)例安全性與穩(wěn)定性上的重視。Amazon Nitro系統(tǒng)的專用硬件、軟件和固件具備強(qiáng)制隔離機(jī)制,確保包括亞馬遜云科技員工在內(nèi)的任何人都無(wú)法訪問(wèn)客戶的敏感AI負(fù)載與數(shù)據(jù)。
除了安全性,Amazon Nitro系統(tǒng)還從根本上革新了基礎(chǔ)設(shè)施的維護(hù)與優(yōu)化方式。該系統(tǒng)負(fù)責(zé)處理網(wǎng)絡(luò)、存儲(chǔ)及其他I/O功能,并支持在系統(tǒng)持續(xù)運(yùn)行的情況下完成固件升級(jí)、漏洞修復(fù)和性能優(yōu)化。這種無(wú)需停機(jī)即可更新的能力,被稱為"實(shí)時(shí)更新",在當(dāng)前對(duì)連續(xù)性要求極高的AI生產(chǎn)環(huán)境中尤為關(guān)鍵,任何中斷都可能對(duì)業(yè)務(wù)進(jìn)度造成嚴(yán)重影響。
Amazon EC2 P6e-GB200和Amazon EC2 P6-B200均搭載第六代Nitro系統(tǒng)。但這些安全與穩(wěn)定性的優(yōu)勢(shì)并非首次出現(xiàn),自2017年起,創(chuàng)新型Nitro架構(gòu)就已在持續(xù)保護(hù)和優(yōu)化Amazon EC2上的工作負(fù)載。
大規(guī)模環(huán)境下的可靠性能保障
對(duì)于AI基礎(chǔ)設(shè)施的挑戰(zhàn)不僅在于實(shí)現(xiàn)超大規(guī)模,更在于如何在這一規(guī)模下持續(xù)保障性能和可靠性。Amazon EC2 P6e-GB200 UltraServer已部署至第三代Amazon EC2 UltraCluster中,創(chuàng)建了單一架構(gòu),可覆蓋亞馬遜云科技規(guī)模最大的數(shù)據(jù)中心。第三代UltraCluster最多可將功耗降低40%、布線需求減少超過(guò)80%,不僅顯著提升了能效,也有效減少了潛在故障點(diǎn)。
為了在超大規(guī)模部署中提供一致性能,亞馬遜云科技采用了Elastic Fabric Adapter(EFA)及其可擴(kuò)展可靠數(shù)據(jù)報(bào)協(xié)議(Scalable Reliable Datagram),該協(xié)議可在多條網(wǎng)絡(luò)路徑之間智能路由流量,即使在出現(xiàn)擁堵或故障的情況下,也能保持系統(tǒng)穩(wěn)定運(yùn)行。亞馬遜云科技持續(xù)對(duì)四代EFA進(jìn)行性能優(yōu)化。配備EFAv4的Amazon EC2 P6e-GB200和Amazon EC2 P6-B200實(shí)例,在分布式訓(xùn)練中的集體通信速度相比使用EFAv3的Amazon EC2 P5en實(shí)例提升最高可達(dá)18%。
基礎(chǔ)設(shè)施效率
Amazon EC2 P6-B200 實(shí)例采用經(jīng)過(guò)驗(yàn)證的空氣冷卻架構(gòu),而Amazon EC2 P6e-GB200 UltraServer 則采用液冷方案,使大型 NVLink 域架構(gòu)能夠?qū)崿F(xiàn)更高的計(jì)算密度,從而提升系統(tǒng)整體性能。P6e-GB200 配備創(chuàng)新的機(jī)械冷卻設(shè)計(jì),可在新建和既有數(shù)據(jù)中心中實(shí)現(xiàn)靈活的芯片級(jí)液冷,從而在同一設(shè)施內(nèi)同時(shí)支持液冷加速器與空氣冷卻的網(wǎng)絡(luò)和存儲(chǔ)設(shè)備。憑借這一靈活的冷卻架構(gòu),亞馬遜云科技能夠以更低成本實(shí)現(xiàn)更高性能與效率。
在亞馬遜云科技上啟用 NVIDIA Blackwell
亞馬遜云科技通過(guò)多種部署路徑簡(jiǎn)化Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實(shí)例的啟用過(guò)程,客戶可快速開(kāi)始使用Blackwell GPU,同時(shí)保持其現(xiàn)有的運(yùn)維模式。
Amazon SageMaker HyperPod
如果客戶希望加速AI開(kāi)發(fā),并減少對(duì)基礎(chǔ)設(shè)施和集群運(yùn)維的投入,Amazon SageMaker HyperPod正是理想之選。該服務(wù)提供托管式、可靠的基礎(chǔ)設(shè)施,能夠自動(dòng)完成大型GPU集群的配置與管理。亞馬遜云科技也在持續(xù)增強(qiáng)Amazon SageMaker HyperPod,新增靈活訓(xùn)練計(jì)劃等創(chuàng)新功能,幫助客戶獲得可預(yù)測(cè)的訓(xùn)練周期,并將訓(xùn)練任務(wù)控制在預(yù)算范圍內(nèi)。
Amazon SageMaker HyperPod將支持Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實(shí)例,并通過(guò)優(yōu)化使工作負(fù)載保持在同一NVLink域內(nèi),以實(shí)現(xiàn)性能最大化。亞馬遜云科技還在構(gòu)建一套完整的多層級(jí)恢復(fù)機(jī)制:Amazon SageMaker HyperPod可在同一NVLink域內(nèi)自動(dòng)用預(yù)配置的備用實(shí)例替換故障節(jié)點(diǎn)。內(nèi)置儀表板將提供從GPU利用率、內(nèi)存使用情況到工作負(fù)載指標(biāo)和UltraServer運(yùn)行狀態(tài)的全面可視化信息。
Amazon EKS
對(duì)于大規(guī)模AI工作負(fù)載,如果客戶更傾向于使用Kubernetes管理基礎(chǔ)設(shè)施,Amazon Elastic Kubernetes Service(Amazon EKS)通常是首選控制平面。Amazon EKS持續(xù)推動(dòng)Amazon EKS的創(chuàng)新,例如Amazon EKS Hybrid Nodes功能,可支持在同一個(gè)集群中同時(shí)管理本地和Amazon EC2 GPU,從而為AI工作負(fù)載帶來(lái)更大靈活性。
Amazon EKS將通過(guò)托管節(jié)點(diǎn)組支持對(duì)Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實(shí)例的自動(dòng)配置與生命周期管理。針對(duì)Amazon EC2 P6e-GB200 UltraServer,亞馬遜云科技正在為其構(gòu)建拓?fù)涓兄芰?,以識(shí)別GB200 NVL72架構(gòu),并自動(dòng)為節(jié)點(diǎn)添加UltraServer ID和網(wǎng)絡(luò)拓?fù)湫畔?,從而?shí)現(xiàn)最優(yōu)的工作負(fù)載調(diào)度??蛻艨蛇x擇將節(jié)點(diǎn)組部署在多個(gè)UltraServer之間,或?qū)S糜趩蝹€(gè)UltraServer,從而在訓(xùn)練基礎(chǔ)設(shè)施架構(gòu)上獲得更高的靈活性。Amazon EKS還會(huì)監(jiān)控GPU和加速器錯(cuò)誤,并將相關(guān)信息傳遞至Kubernetes控制平面,以支持后續(xù)處理。
亞馬遜云科技上的 NVIDIA DGX Cloud
Amazon EC2 P6e-GB200 UltraServer也將通過(guò)NVIDIA DGX Cloud提供。DGX Cloud是一個(gè)統(tǒng)一的AI平臺(tái),在各層架構(gòu)均經(jīng)過(guò)優(yōu)化,具備多節(jié)點(diǎn)AI訓(xùn)練與推理能力,并集成英偉達(dá)完整的AI軟件棧??蛻艨沙浞掷糜ミ_(dá)最新的性能優(yōu)化方案、基準(zhǔn)測(cè)試方法和技術(shù)專長(zhǎng),以提升效率與性能。該平臺(tái)還提供靈活的服務(wù)期限選擇,以及由英偉達(dá)專家提供的全面支持與服務(wù),助力客戶加速推進(jìn)AI項(xiàng)目。
此次發(fā)布是一個(gè)重要的里程碑,但這僅僅是一個(gè)開(kāi)始。隨著AI能力持續(xù)的快速演進(jìn),客戶需要的基礎(chǔ)設(shè)施不僅要滿足當(dāng)下需求,更要為未來(lái)的多種可能性提供支撐。通過(guò)在計(jì)算、網(wǎng)絡(luò)、運(yùn)維和托管服務(wù)等多個(gè)層面的持續(xù)創(chuàng)新,Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實(shí)例已做好充分準(zhǔn)備來(lái)實(shí)現(xiàn)這些可能。我們期待看到客戶的未來(lái)構(gòu)建。