大家有没有想过，我们现在用得越来越顺手的AI大模型，比如能写代码、画图、跟你流畅聊天的那些“智能体”，它们是怎么被训练出来、又怎么能飞快地给出响应的？
这些模型实在是太太太庞大了！它们的参数量动辄几千亿、上万亿，如果只用一台电脑（哪怕是配备了最强GPU的电脑），根本不可能装下整个模型，更别提在合理的时间内完成训练或推理计算了。这就像要建造一座宏伟的城市，或者管理一个国家，一个人单打独斗是绝对不行的，必须要有成千上万的人分工协作。
为什么AI大模型需要“团队合作”（并行计算）？
原因很简单，主要有两点：
1. 内存装不下！ 模型的参数、训练过程中产生的中间数据（比如激活值、梯度），加起来可能远超单个GPU的显存容量。就像你的电脑硬盘不够大，装不下所有高清电影一样，单个GPU装不下整个大模型。 2. 算得太慢了！ 即使勉强能装下，让一个GPU一步一步计算完整个模型的所有层级，可能需要难以接受的时间。就像让一个人搬空整个仓库的货，效率太低。
所以，我们必须把模型“拆开”，让多个GPU一起分担计算任务，这就是并行计算（Parallel Computing）的核心思想。为了让这些GPU高效地进行团队合作，AI科学家们和工程师们发明了几种不同的“拆模型”方法。今天我们重点聊聊最主要的两种：张量并行和流水线并行，以及一个至关重要的幕后英雄——连接GPU的“高速公路”。
方法一：张量并行（Tensor Parallelism - TP）
打个比方： 想象你和你的同事们要一起完成一个超大的数学计算（比如矩阵乘法），这个计算太大了，一个人的草稿纸不够写，或者算起来太慢。
怎么办？ 张量并行就是把这个单次巨大的计算任务（一个模型层内部的计算）“切”成几块，分给不同的GPU同时计算。每个GPU只负责计算这个大任务的一部分。最后，大家把各自计算的结果“拼”起来，得到最终的完整结果。
• 特点： 这种方法是在模型单层内部进行计算和数据拆分。每个GPU只处理一层模型中的一部分权重和数据。 • 优点： 专门用来解决单层模型太大，单个GPU无法容纳或计算的问题。 • 缺点： 计算过程中，GPU之间需要频繁地交换中间结果（比如所有GPU计算完一部分后，要把结果汇总起来才能进行下一步），这种层内频繁通信是它的主要开销。
用图来示意张量并行的概念：
上图示意：张量并行将一个大的层内计算任务切分给多个GPU，GPU计算部分结果后需要汇集同步得到最终结果。
方法二：流水线并行（Pipeline Parallelism - PP）
打个比方： 这就像工厂里的流水线。整个大模型看作是一个复杂的生产流程，包含很多道工序（模型的不同层或模块）。
怎么办？ 流水线并行就是把模型的不同层（或几层组成的模块）分配给不同的GPU，形成一个处理链条。GPU 1 计算完模型的第1层，立即把输出结果传递给 GPU 2 计算第2层，GPU 2 算完传给 GPU 3 计算第3层……数据就像产品一样，沿着流水线依次经过不同的GPU处理。
• 特点： 这种方法是把模型按层/模块进行拆分，每个GPU负责模型不同部分的计算。 • 优点： 相比张量并行，GPU之间的通信模式相对简单：通常只需要把自己这阶段的输出传给下游的GPU。在训练时，最妙的地方在于，可以像真正的流水线一样，让不同的GPU同时处理不同批次的数据，大幅提高整体吞吐量和GPU利用率。同时，这种方式能有效利用集群中所有GPU的总显存容量。 • 缺点： 如果流水线上某个GPU算得慢，或者数据传递不及时，下一个GPU就得“等米下锅”，造成空闲，形成所谓的**“流水线气泡”（Pipeline Bubbles）**，影响整体效率。
用图来示意流水线并行在训练时的概念（展示并行处理不同数据批次）：
上图示意：流水线并行让不同GPU同时处理不同数据批次的模型层。注意其中一些“等待”的空隙，这就是“气泡”。
虽然上面的图更简洁地展示了流程，但为了更清楚地说明并行带来的效率提升（特别是训练时如何利用流水线同时处理多个数据批次），我们再看一个更概念性的图，想象多个数据包如何在流水线中穿梭：
实践中：它们经常被“打包”使用
对于当下最大最复杂的模型，通常会结合使用这两种技术：先用张量并行解决单层过大的问题（把一层拆到一组GPU上），再用流水线并行把这些（可能已经过张量并行处理的）层分派到更多的GPU集群上。此外，对于像MoE（混合专家模型）这样的特殊架构，还需要用到专家并行等更复杂的并行方式，这些都对GPU之间的通信提出了极高的要求。
为什么连接GPU的“高速公路”如此重要？
现在我们理解了并行计算的基本原理。不管是张量并行中层内的频繁数据交换，还是流水线并行中阶段间的数据传递，亦或是专家并行中需要在不同GPU之间路由数据，所有并行方式的效率，都高度依赖于GPU之间的数据通信。
想象一下，你负责工厂流水线上的一个环节，加工好了零件得赶紧送给下一环节的同事。如果送货的路又窄又堵（网络互连慢），或者送货的“卡车”半天发不出一趟（网卡效率低），零件就会积压在你这里，或者下一位同事干等着，整条流水线就慢下来了。即使你加工得再快（单个GPU计算能力再强），也无济于事。
连接GPU的“网络互连”技术，就是决定这些并行计算效率的“高速公路”！ 它决定了数据能否快速、顺畅地在GPU之间流动。如果这条“高速公路”延迟高、带宽低、通行不稳定，就会带来严重的效率问题：
• “气泡”泛滥： GPU算完了，数据发不出去或收不到，就只能闲等，形成大量空闲时间（“气泡”），宝贵的GPU算力被浪费。 • 先进优化失效： 很多高级的并行技术会尝试让计算和通信“重叠”，互相掩盖延迟。但如果网络太慢，再巧妙的“重叠”也无法隐藏巨大的通信耗时。 • 资源被迫堆叠： 为了弥补低效率的网络，你可能被迫投入更多的GPU，但它们大部分时间都在“等数据”，而不是真正在计算，造成巨大的资源浪费。
用图来示意网络通信对效率的影响：
上图示意：GPU间的网络传输速度直接影响下游GPU的等待时间，进而影响其利用率和整体效率。
DeepSeek 为什么特别感谢腾讯的“超高速公路”改进？
这就是为什么开源AI公司 DeepSeek 会公开感谢腾讯——而且这种感谢并非客套，而是源于腾讯在幕后对AI计算“高速公路”进行的硬核优化！
具体来说，DeepSeek 有一个专门用于 MoE 等模型架构的开源通信框架，叫做 DeepEP。这个框架需要处理的是高吞吐量、低延迟的数据传输任务，是实现模型高效训练的关键。
腾讯的 Starlink Networking 团队（星脉网络团队）深入分析了 DeepEP 框架在实际高性能网络环境下的表现，就像给“高速公路”做体检。他们精准地找到了两个主要的“堵点”：
1. 网卡能力没榨干： 连接GPU到网络的“网卡”（Network Interface Card）通常有两个物理端口，就像高速公路的入口有双车道。但他们发现，在当时的实践中，由于底层软件或配置的问题，这两个端口的带宽能力并没有被充分利用起来，就像双车道只开了一条，或者即使开了两条，车辆调度不畅，总流量上不去。 2. CPU协调不够快： 负责指挥数据如何在网络上传输的 CPU 引入了额外的延迟，就像交通指挥员的调度不够及时，导致车流迟滞。
针对这些具体的问题，腾讯团队进行了细致且深入的优化：
• 打通双车道，增加收费口： 他们修改了底层的通信库（NVSHMEM），让系统能够透明地（这意味着 DeepEP 上层应用几乎不用改动）同时启用网卡的全部双端口，并且建立了多个并发的数据传输通道（Multi-Queue Pair）。这就像把高速公路的双车道完全打开，并且增加了多个收费口，让海量数据可以并行涌入网络，极大地提升了传输的并发度和带宽利用率。用图来示意双网口优化的概念。
• 解决底层库的“隐形陷阱”： 他们在测试中还意外发现了一个更底层的问题——常用的多GPU通信库 NCCL 在升级到某个特定版本（比如 2.22 及以后）后，DeepEP 的网络通信性能竟然会急剧下降！他们通过深入研究，推测是新版本中某个**“延迟连接”**机制导致了这个问题，并找到了通过调整环境变量等方式来绕开这个陷阱、恢复高性能的有效方法。用图来示意NCCL版本带来的问题：
同样是DeepEP框架，底层使用的NCCL库版本不同，网络传输速度可能差异巨大。
这些优化带来了什么？用数据说话：
这些看似“底层”的技术改进，却带来了惊人的实测效果：
• 首先，他们成功地**“激活”了高性能网卡上的双网口**。在此之前，即使物理上有两个接口，受限于底层软件和驱动，实际能跑出的带宽可能和单网口差不多，甚至不如一些传统的高性能网络（比如 InfiniBand）。但经过优化后，他们的解决方案能够透明地、充分地利用这两个端口，让总带宽大幅提升，并且做到了双网口环境下的性能与单网口完全持平——这意味着浪费的潜力被完全挖掘出来了！通过他们的测试，在 RoCE 这种基于以太网的网络环境下，网络带宽能够稳定跑到每秒 50-60GB 的超高水平，这已经是接近理论峰值的表现了。 • 更令人震惊的是，他们揭示并解决了底层通信库带来的“陷阱”。他们测试发现，使用 NCCL 2.21 版本 DeepEP 带宽能达到每秒 50-60GB 的高水平，但升级到 NCCL 2.22 后，带宽竟然断崖式下跌到每秒 30-40GB！这接近一半的性能损失，简直就像一条原本顺畅的高速公路突然缩窄成单车道！而腾讯团队正是发现了这个“隐形陷阱”，并提供了解决方案，让即使使用新版 NCCL 也能恢复高带宽。
最终，这些优化汇总起来，带来了整体性能的显著提升。正如报道所述，在 RoCE 网络环境下，性能提升了 100%（直接翻倍）；在 InfiniBand 环境下，性能也提升了 30%。具体的github Pull Request被记录在原文链接里。点击“阅读原文”可跳转。
为什么这对 DeepSeek 和整个行业重要？
• 训练速度飙升： 网络传输不再是瓶颈，GPU之间的协作更顺畅，显著加快了大模型的训练周期。 • 资源利用率最大化： 流水线并行的“气泡”更小了，GPU的等待时间减少，用有限的GPU资源可以完成更多计算任务。 • 成本和效率优势： 训练得更快、GPU用得更充分，意味着可以用更少的硬件成本和更短的时间达到目标，提供了巨大的竞争优势。一些报道提到，腾讯因此能在现有GPU上实现更高的训练效率，甚至可能减缓了新增GPU的部署速度。 • 推动开源生态： 腾讯将这些经过优化的 DeepEP 框架及相关底层修改完全开源，并已成功应用在自家混元大模型的训练中。这不仅验证了优化的有效性，也将其成果贡献给了整个AI社区，帮助更多开发者和研究者提升大模型训练效率。
总结一下：
AI大模型需要多个GPU并行计算。张量并行、流水线并行、专家并行等技术都需要GPU之间进行大量、高效的数据通信。连接GPU的网络，就是决定这些并行效率的关键“高速公路”。腾讯的 Starlink Networking 团队通过对 DeepSeek 开源 DeepEP 框架进行的底层、硬核优化，成功打通了双网口瓶颈、解决了底层通信库的“隐形陷阱”，显著提升了GPU间的通信带宽（如 RoCE 下达到 50-60GB/s），带来了实测高达 100% 和 30% 的性能提升。这些技术突破，不仅让 DeepSeek 的模型训练实现“巨大提速”，也通过开源贡献，为整个AI大模型生态的高效发展注入了强大的动力。在AI算力日益宝贵的今天，这些提升GPU“协作效率”的幕后英雄，正扮演着越来越关键的角色！
