LLM训练通信量减少10000倍！全新分布式优化器，整合世间算力训练强大AI

【新智元导读】近日，Nous Research宣布了一项重大突破，通过使用与架构和网络无关的分布式优化器，研究人员成功将训练LLM时GPU间的通信量降低了1000到10000倍！

如果可以使用世界上所有的算力来训练AI模型，会怎么样？

近日，凭借发布了开源的Hermes 3（基于Llama 3.1）而引起广泛关注的Nous Research，再次宣布了一项重大突破——DisTrO（分布式互联网训练）。

通过使用与架构和网络无关的分布式优化器，研究人员成功将训练LLM时GPU间的通信量降低了1000到10000倍！

初步技术报告：https://github.com/NousResearch/DisTrO/

在如此夸张的改进之下，大模型训练的重要成本和瓶颈——带宽，也就不再是问题。

使用DisTrO的方法，你可以将训练负载分布到互联网上，而整个网络世界也就成为了一个巨大的异构的AI服务器集群。

——任何有相关算力的设备都可以参与到训练过程之中。

实验证明，本文的方法基本不会导致模型性能下降，同时DisTrO-AdamW在收敛速度方面，也与标准的AdamW+All-Reduce相当。

分布式互联网训练

一般来说，训练大规模神经网络涉及到大量的通信开销。

比如做数据并行的时候，不同的训练数据在不同的硬件（显卡等）上进行前向和反向计算，之后，同一批数据计算出的梯度需要在显卡之间先完成同步，才能进入下一个epoch。

如果是模型并行，那么中间数据就需要通过All-Reduce进行拼接或者累加。

这些数据通信开销如果不能overlap掉，就会成为模型训练的瓶颈。

而恰好，老黄的显存和带宽又很贵，甚至组多卡时候需要的硬件也很贵。

为了解决这个问题，研究人员开发了DisTrO，在不依赖摊销分析的情况下，将GPU间通信要求降低了四到五个数量级，从而能够在慢速网络上对大型神经网络进行低延迟训练。

DisTrO是通用、可扩展，并且时钟同步的（与SGD、Adam等类似，每个训练步骤使用相同的算术运算并花费相同的时间）。

另外，与之前的ad-hoc低通信优化器相比，DisTrO对电信网络的拓扑和神经网络架构不敏感，能够以最小的开销原生支持分布式数据并行训练（DDP）。

LLM预训练

研究人员使用Nanotron作为预训练框架，且仅在DDP策略下运行（每个GPU都将整个模型加载到VRAM中）。

LLM选择1.2B大小的Llama 2，模型和训练所用的超参数如下：

训练数据使用Dolma v1.7数据集，随机选出的10%代表性样本（前 105B个token）。

优化器采用AdamW，β1=0.9、β2=0.95，峰值学习率为4×10e-4，使用余弦衰减方案，权重衰减设置为0.1。

作为对比的另一组实验，将AdamW替换为DisTrO-AdamW，但不更改超参数，并禁用Nanotron中的All-Reduce操作。

与以前的分布式训练方法不同，DisTrO不同步优化器状态（甚至可以无状态）。

下图是两组实验的训练损失曲线，使用105B数据训练25000步。可以看出，DisTrO的收敛能力与All-Reduce持平。

重要的是，在不影响训练效果的情况下，DisTrO将通信量从74.4GB直接减到了86.8MB！相当于带宽压力减少了857倍。

作者还表示，这857倍只是初期测试，后面调调超参数，减少个1000倍到3000倍也不是问题。

如果是后训练和微调，甚至可以实现高达10000倍的通信优化，且基本不影响训练效果。

最后，为了验证训练效果，作者在训练后的模型上执行了GPT4All零样本基准测试，并与在相同数量的token上训练的TinyLlama（checkpoint）进行了比较。

结果如上表所示，TinyLlama的架构和训练过程与本文的实验非常相似，可以作为对结果进行健全性检查的衡量标准。

未来应用

数据流

在本实验的场景中，32个节点使用最简单的All-Reduce（全连接），每个节点平均传输86.8MB（2.8MB×31），并接收相同数量的数据。

如果使用专用服务器进行数据聚合，则每个节点只需上传2.8MB数据（接收数据不变），通信量进一步减少。

另外，不对称性是有优点的，因为大多数消费互联网的带宽严重偏向于更高的下载速度。

假设稳定的网速为100Mbps下载和10Mbps上传，则最坏情况下的延迟仅为下载6.94秒，上传2.24秒，overlap一下则每步延迟为6.94秒。

ps：以上的数据传输都是原始的向量，如果用上压缩技术还能更快。

带宽

作者表示，目前的实验和研究还比较有限，无法断定随着模型变大，带宽减少的比率是会增加、减少还是保持不变。

不过目前的1.2B似乎是DisTrO能够良好工作的最小尺寸（再小就不收敛了），所以可以假设随着模型大小的增长，需要的通信会相对越来越少。

不过也可能通信量与模型大小没有关系，这时可以在不增加通信带宽的情况下增加模型大小，观察更大的模型是否会改善训练和学习的效果。

如果后一种情况属实，那么未来GPU设计和制造的范式将会被改变（更大VRAM和更窄带宽）。

恰好我们也更喜欢计算密集型负载（而不是I/O密集型），毕竟现在的带宽要比计算贵得多。

联邦学习

除了训练LLM，DisTrO还能用来做什么？

在互联网上做分布式训练，让人一下就想到了联邦学习。

在允许模型协作训练的同时，保持每个参与者的数据的私密性和去中心化，这在LLM被大公司掌握的当下，显得越来越重要。

到目前为止，联邦学习一直缺乏在有限的互联网带宽上训练大型模型的有效方法。

而DisTrO对如何处理数据，或将数据分配给各个GPU节点没有任何要求，并且可以无状态（类似于联邦平均），因此适用于联邦学习的未来。

虚拟异构GPU集群

此外，DisTrO可以创建一个完全去中心化且无需许可的网络来协作和共享资源。

实验表明，DisTrO对于训练期间少量降级或丢弃的节点具有显著的弹性，并且可以轻松地适应新节点的加入。

在这种能力加持之下，一方面可以保障整个系统的安全性，降低不可信节点使用对抗性攻击破坏运行的风险。

另一方面，也可以鼓励机构和个人灵活贡献自己的计算资源，释放潜在的算力。

甚至一些内存或者算力不太够的老卡，也能加入进来赚点外快，采用FSDP、SWARM Parallelism等策略与DisTrO协同工作。

能源

DisTrO的进一步大规模应用，可能会缓解建设大型数据中心所带来的能源消耗、基础设施成本和土地使用等相关问题。

Llama 3.1项目需要构建两个大型整体超级集群，每个集群包含 24,000个H100 GPU，仅训练过程就产生了相当于11,000吨的二氧化碳排放。

当今的LLM，除了模型参数大小的增长，训练数据量也在不断增大，导致AI相关的数据中心已经摸到了现代电网的极限。

DisTrO可用于自适应平衡多个使用过剩容量的小型模块化数据中心，通过动态平衡训练技术利用现有基础设施，减轻训练对环境的负面影响。

目前，DisTrO背后的理论还需要进一步探究，更严谨、更详细的学术论文以及完整的代码将在未来发布。