智東西（公眾號：zhidxcom）作者 | 中國AI算力大會
6月26日，2025中國AI算力大會在北京熱烈召開。從國產AI算力的突圍與崛起，到智算中心深層軟硬件技術創新解決算力落地產業難題，近30位重量級嘉賓與會帶來致辭、報告、演講和對話，全方位解構DeepSeek引爆的AI算力變局。
摩爾線程副總裁王華在主會場以《基于FP8的國產集群訓練》為題進行了主題演講。在演講中他提到2020至2025年間，大模型訓練的算力需求激增近1000倍 ，而驅動力來自參數規模與數據量雙向增長。
王華認為，大集群和FP8成為大模型現階段的最強需求。對此，他圍繞大模型算力需求、混合精度訓練、FP8訓練技術演進等方面進行了深入淺出地剖析闡釋。
王華還分享道，摩爾線程提供包括FP8在內的全精度算力，構建了支持多種不同數據類型的混合精度訓練方案，還可以提供萬卡集群開箱即用的產品，可以滿足大模型的算力需求，并大幅提升其訓練效果。
以下為王華的演講實錄精華：
一、5年，大模型訓練算力需求增長千倍
首先來看一下大型訓練需求的趨勢。2020年，算力需求訓練需求最高是在1023flops。到25年，訓練算力需求最高的是xAI的Grok3，算力需求差不多到了1026flops。從1023到1026，算力需求增長了1000倍。
增長主要來自兩個方面：一是模型參數。大模型的模型參數規模是在不斷增加的，最近的模型動轍都是數千億甚至到萬億的參數規模；第二是訓練數據量。早期訓練數據量可能到幾百B，稍微多一點到1T，但現在基本都是十幾T。
所以，算力需求和模型參數數量與訓練數據量的乘積成正比，而這兩個維度的增長，帶來模型訓練算力需求的大幅增長。
再舉一個例子，比如，Llama 3 70B大概是在1024flops左右，然后更大一點Llama 3 405B在1025flops左右,GPT 4也在1025左右,早期的Llama 2大概在1023flops左右。雖然Llama 2與Llama 3的模型參數和模型結構比較類似，但是因為Llama 2的訓練數據量低一個數量級，所以它要求的算力也會低一個數量級。
不只是算力，這些大規模訓練所需要的集群也越來越大。為了校正所需要的算力，用H100的千卡、五千卡到萬卡量級的集群來作類比。表格中的數據是按照MFU算的，當然不同模型的參數大小對MFU有影響，另外集群規模增大之后由于加速比效應，MFU會下降，所以這里只是大致的估算。
這個量級中，DeepSeek V3的算力需求大概在3.4×1024flops。在千卡集群上，1024的訓練時間大概是97天，五千卡集群需要22天，到萬卡級別就只需要13天了。再舉一個例子，Qwen 3 235B，雖然模型參數小一些，但因為數據集更大，它的實際算力會更高，所以Qwen 3 235B計算量約為4.75×1024flops。再看一下訓練時間，這個計算量在千卡集群上需要136天，五千卡上是37天，到萬卡就只需要18天。這是兩個比較典型的國內MOE模型的例子。
再比如說Llama 3 370B，這是比較典型的Dense模型（稠密模型），訓練數量也差不多在1024flops左右，訓練時間也與Qwen 3差不多。
更大的模型，比如GPT 4，訓練數量有1025flops，這幾乎是千卡不可能完成的任務，到這個量級基本需要萬卡級別的集群來支撐。尤其是現在大模型的訓練參數基本都在向著萬億發展，數量級十分巨大，所以后續訓練需要的算力也會非常大。
二、混合精度訓練緩解算力需求激增難題
為了解決算力需求，摩爾線程采用混合精度訓練的方法。在整個模型訓練過程中，識別出對精度要求不高的操作，將其替換為低精度計算。
更低精度帶來的優勢，首先體現在算力層面：精度降低一半，算力翻倍，同時顯存占用、顯存帶寬及傳輸帶寬消耗均減半。本質上，采用更低精度的數據類型進行訓練，相當于實現了算力的翻倍。但需注意，低精度替換只能部分進行，無法完全替代，精度敏感的環節仍需保留高精度計算。因此，降低精度可在一定程度上提升算力或降低模型訓練的算力需求。
在精度策略的設計上，可從兩個維度考量：第一個維度是模型權重。以相同算力條件為例，對比多參數低精度模型與少參數高精度模型,如100B參數規模的FP16模型和200B參數規模的FP8模型，從數學表達能力來看，其可表達的理論空間是等價的。
但當前行業趨勢更傾向于優先擴展模型參數規模。這是因為模型訓練中實際使用的精度范圍僅占理論值域的一部分，造成“精度空間浪費”，而增大參數規模能有效提升模型效果。
從行業技術演進來看，精度格式正沿著FP32→TF32→FP16/BF16→FP8的路徑發展。此前業界對FP8的應用尚處探索階段，而DeepSeek已將其成功應用于模型訓練，預計未來會有更多模型采用FP8精度。
三、FP8訓練挑戰解析：數值范圍局限與精度損失引發的梯度問題
FP8訓練面臨什么挑戰？首先我們看一下不同浮點數的值域。因為指數位不同，取值范圍其實差別很大。比如BF16，忽略正負號，可以看到值域靠低端的部分可以到2-126，然后高端的可以到2127。FP16的值域會小很多，但有十位尾數，值域靠低端部分接近2-14，然后高端部分是六萬多。
FP8有E4M3和E5M2兩種，可以看到，E4M3的取值范圍其實非常窄，只有2-6到448，E5M2跟FP16類似，但其實跟現在廣泛用的BF16比，取值范圍還是小很多。這里面有兩個因素，一個是取值范圍，一個是精度。
取值范圍就是剛剛講到的從小數到大數的范圍，因為FP8的數值范圍小，很可能在計算過程中遇到數值上溢和下溢的問題，如此就會帶來一個典型問題：梯度爆炸和梯度消失。
精度就是尾數部分能夠表達的數量。精度低會帶來舍入誤差的問題。例如在做數值轉換的時候，可能BF16能表示的數在FP8里就會丟失掉一些小數。另外就是一個大數加一個很小的數，由于小數部分太小了，兩者就相當于沒加，這樣就會造成信息丟失，對模型訓練過程會帶來梯度無法更新的問題。
四、FP8訓練技術不斷演進，4大創新攻克低精度核心難題
這兩年FP8訓練技術取得多項進展，已經應用在一些模型的訓練中。
模型訓練中不同操作對精度的需求是不一樣的：
1、矩陣乘操作：作為兩數相乘的基礎運算，FP8的數值范圍易于控制，可通過值域限定避免溢出，對精度要求較低；
2、累加與規約操作：矩陣乘中隱含的累加過程（尤其大矩陣運算時多數相加）存在值域溢出風險，對精度要求處于中等水平；
3、非線性函數運算：如指數函數等場景，數值易快速超出值域，對精度要求最高。
基于此，訓練中可對不同操作采用差異化精度策略，通過中間過程的量化與反量化實現精度適配。
Tensor Core技術提供了混合精度運算的硬件支持。自2017年引入以來，該技術持續進化，現可支持以FP8格式矩陣為輸入，通過硬件級混合精度運算輸出高精度矩陣結果。
訓練框架也在支持混合精度訓練。例如在BF16與FP32的混合訓練中，多數操作采用BF16執行，但權重更新時會切換至FP32，通過維護FP32權重副本確保訓練穩定性。
還有就是Tensor Scaling（張量縮放）技術。在進行高精度向低精度轉換時，由于值域范圍不同，會出現信息丟失問題。因此在數據類型轉換前，需先將高精度值域乘以Scaling Factor（縮放因子）參數，使其縮放到低精度值域范圍內，以此確保轉換過程中盡可能減少數據丟失。
Scaling Factor的選擇可以有不同的策略。在時間維度上來看可以是在量化前直接計算，也可以采用基于歷史數據的Delayed Scaling Factor（延遲縮放因子）。
從顆粒度來看，既可以對整個 Tensor 應用統一的Scaling Factor，也能進行更精細的選擇，比如Per-Channel（逐通道）縮放，甚至還能進一步細化到Per-Channel的子區域。DeepSeek在其論文中提及，他們采用的是Per-Block（逐塊）的縮放策略。
簡單說一下DeepSeek的論文。DeepSeek-V3就使用了FP8混合精度訓練，其中主要采用了以下策略：
1、前向和后向傳播的3次GEMM使用FP8；
2、激活值的緩存和傳輸使用FP8；
3、Embedding、激活函數等模塊使用高精度浮點數；
4、主權重、權重梯度、優化器狀態使用高精度浮點數。
五、摩爾線程全棧支持FP8訓練，性能提升20%~30%，對標主流水平
那我們說回到摩爾線程在采用FP8訓練上面的一些工作。
首先，摩爾線程的全功能GPU計算卡在精度上的支持非常全面，摩爾線程是國內少數可以支持FP8精度的GPU供應商。不同計算精度可以用在圖形、計算等不同場景，摩爾線程計算卡的優勢就是支持全精度計算。
第二點就是在集群方面的工作。摩爾線程可以說是在集群這一方面投入很大的國產GPU公司。我們的夸娥（KUAE）智算集群系列產品可以讓客戶實現開箱即用，已經做到千卡規模，可支持萬卡，未來還會向著更大規模集群前進。
在這一整個過程中，我們積累了很多實踐。摩爾線程搭建了完整的軟硬件棧，從硬件設計到集群管理、調度等全部包含。在大規模集群的運維方面也積累了豐富的經驗。在大規模訓練時，經常會出現計算錯誤、卡異常等情況，如何快速定位出現故障的部分將其替換是很重要的。我們采用了分布式的故障監測方法，實現分鐘級的故障定位和恢復。
另外還有支持FP8訓練的摩爾線程軟件棧。我們開源了3個組件：提供MUSA后端加速支持的Torch-MUSA、混合并行訓練框架MT-MegatronLM以及主要用于Transformer的高效訓練和推理優化的MT-TransformerEngine。基于摩爾線程軟件棧，我們成功復現了DeepSeek-V3滿血版訓練。
在此之上我們做了一系列的實驗，基于我們自己的夸娥（KUAE）集群，在性能方面，在Llama3 8B、Qwen、DeepSeek-V2 16B以及V3 30B上，目前采用FP8混合訓練可以帶來20%~30%的性能提升，且引入FP8前后loss曲線基本一致，在采用FP8訓練方面，摩爾線程的GPU計算卡與國際主流的卡做精度對比也基本吻合。
摩爾線程在Scaling Factor的選擇上也做了許多探索，例如：amax的統計信息表明Per-Tensor的Scaling Factor適合采用Delayed Scaling策略，而Per-Block則適合采用JIT Scaling策略。我們還用摩爾線程GPU計算卡做了Smooth SwiGLU論文的復現，我們發現，通過Smooth SwiGLU可以有效降低outlier的影響。
今天我給大家匯報的內容就是這些，謝謝。
