一个令人惊艳的 AI 开源神器！
过去一年，各类 AI 大模型的发展可谓如日中天。各个科技公司竞相推出自己的大语言模型，试图在即将到来的 AI 时代占据自己的一席之地。
在大模型的研发过程中，算力消耗可谓是老生常谈的话题之一。据统计，AI 算力在 70 年内增长了 6.8 亿倍。在如此大体量的算力增长环境下，应该如何通过技术来合理降低、高效利用算力，便成为了一个亟待解决的问题。
无独有偶，近日，一个由蚂蚁集团 AI 创新研发部门 NextEvo 全面开源的 AI Infra 技术，在该问题上有了突破性进展。
该技术可帮助大模型千卡训练有效时间占比超过 95%，能实现训练时 “自动驾驶”，大大降低 AI 研发成本，推动研发效率。
该技术框架名为 DLRover，目标在于大规模分布式训练的智能化。目前很多企业的训练作业都是跑在混合部署的集群中，运行环境复杂多变，不管多么 “崎岖的地形”，DLRover 都可以 “轻松行驶”。
GitHub：https://github.com/intelligent-machine-learning/dlrover
2023 年大模型技术的发展，带来了工程实践的爆发，如何管理数据，提高训练和推理效率，最大化利用现有算力，成了关键一环。
完成一个千亿参数级别的大模型，如 GPT-3，用一张卡训练一次要耗时 32 年，那么训练时的算力利用尤为重要。
方法之一是把能用的算力用得更好，比如进一步压榨已购买 GPU 的性能；二是把以前利用不了的算力用起来，比如 CPU、内存等，这就需要通过异构计算平台来解决。
最新集成进 DLRover 的是 Flash Checkpoint（FCP）方案。模型训练时，一般要打 Checkpoint（检查点），以便中断时能恢复到最近状态，目前常规的做法，存在着耗时长、高频打点易降低训练可用时间、低频打点恢复时丢失过多等缺点。
新方案 FCP 应用在千卡千亿参数模型训练后，Checkpoint 导致的训练浪费时间降低约 5 倍，其中持久化时间降低约 70 倍，有效训练时间从 90% 提升至 95%。
同时集成进去的，还有三项新的优化器（Optimizer）技术。优化器作为机器学习的核心组件，用于更新神经网络参数以最小化损失函数。其中，蚂蚁的 AGD（Auto-switchable optimizer with Gradient Difference of adjacent steps）优化器，在大模型预训练任务中，相比传统的 AdamW 技术加速 1.5 倍，AGD 已在蚂蚁内部多个场景使用并取得显著效果，相关论文已被 NeurIPS '23 收录。
作为自动化分布式深度学习系统，DLRover 的 “自动驾驶” 功能模块还包括：Atorch，一种 PyTorch 分布式训练扩展库，在千亿参数模型千卡级别规模下，训练的算力利用率可达 60%，帮助开发者进一步压榨硬件算力。
DLRover 以 “ML for System” 的理念来提升分布式训练的智能度，旨在通过一个系统，让开发者完全摆脱资源配置的束缚，专注于模型训练本身。在没有任何资源配置输入的情况下，DLRover 仍然可以为每个训练作业提供最佳资源配置。
除此之外，项目还有着以下特点：
- 容错性：分布式训练在发生故障时可以继续运行；
- Flash Checkpoint：分布式训练可以在几秒内从内存检查点恢复故障；
- 自动扩展：分布式训练可以扩展/缩减资源，以提高稳定性、吞吐量和资源利用率。
值得一提的是，蚂蚁集团还在人工智能领域持续进行技术投入。
最近，蚂蚁集团在内部成立了 AI 创新研发部门 NextEvo，承担了蚂蚁 AI 的所有核心技术研发，包含百灵大模型的所有研发工作，涉及 AI 算法、AI 工程、NLP、AIGC 等核心技术，并在布局多模态大模型、数字人等领域的技术研发和产品创新。
同时，蚂蚁集团还在持续加速开源节奏，填补了国内相关技术空白，推动人工智能行业快速发展。
随着各个大厂新技术的推动，我相信接下来的 AI 大模型研发流程将会愈加简便与高效，「降本增效」一词将在 AI 技术领域不断刷新人们的认知。
GitHub 地址：https://github.com/intelligent-machine-learning/dlrover
转自：GithubDaliy
🏴☠️宝藏级🏴☠️ 原创公众号『数据STUDIO』内容超级硬核。公众号以Python为核心语言，垂直于数据科学领域，包括可戳👉 Python｜MySQL｜数据分析｜数据可视化｜机器学习与数据挖掘｜爬虫 等，从入门到进阶！
长按👇关注- 数据STUDIO -设为星标，干货速递