當前AI推理面臨兩大核心矛盾

算力需求激增：大模型應用爆發(fā)（如實時交互、多模態(tài)生成），企業(yè)亟需更低延遲、更高吞吐的推理能力；

資源浪費嚴重：傳統(tǒng)架構下，GPU算力閑置率超30%，長文本處理場景首Token延遲飆升至秒級，用戶體驗流失率增加40%。

DeepSeek-V3/R1的給我們的啟示：混合專家模型（MoE）雖需320卡起步，卻為超大規(guī)模云計算廠商提供了差異化競爭力——吞吐效率提升50%，單用戶推理成本降低20%。而對中小客戶，“高性價比”仍是剛需，Dense模型憑借靈活部署穩(wěn)占80%市場份額。

組網架構的“黃金分割”

行業(yè)需求驅動架構革新

分離架構：適合頭部云廠商（如AWS、阿里云），通過獨立優(yōu)化Prefill（算力密集型）和Decode（帶寬密集型）集群，實現(xiàn)超大規(guī)模并發(fā)下的極致性能，客戶可溢價30%提供“高端推理服務”。

統(tǒng)一架構：中小廠商的“降本利器”——單網絡支持智能流量調度，硬件投資減少25%，運維成本降低40%，兼容80%現(xiàn)有基礎設施，快速搶占中端市場。

采用星融元CX-N系列交換機+RoCEv2技術，單設備支持400G/800G帶寬，滿足“既要大吞吐又要低延遲”的矛盾需求。

從實驗室到生產線：組網設計的成本與效益平衡

Rail-Only拓撲：4 GPU/組共享PCIe鏈路，服務器內直連減少跳數(shù)，適合百卡以下集群，硬件成本降低30%。

GPU服務器內部：每四個GPU作為一組，共享一個并行推理網卡，連接到同一個PCI Switch,兩組GPU之間的通信通過兩個PCI Switch之間的直連通道完成；

GPU服務器之間：同一組號的GPU之間的通信通過交換機直接完成；不同組號的GPU之間的通信，先通過PCI Swtitch將流量路由到另一組的網卡，然后通過交換機完成；

小規(guī)模場景：低成本敏捷部署

每臺推理服務器有8張GPU，2張400G網卡，雙歸連接到兩臺CX732Q-N

16個推理服務器（128張GPU）和2個CX732Q-N組成一個PoD。Prefill和Decode服務器可能屬于不同PoD

可橫向擴展至64個PoD

中大規(guī)模場景：性能與擴展性優(yōu)先

模塊化PoD設計：以512 GPU為單元構建獨立集群，Prefill與Decode服務器同PoD內一跳互聯(lián)，時延控制在10μs以內。

橫向擴展能力：可橫向擴展至64個PoD，支持萬卡級集群無縫擴容，滿足云計算平臺彈性需求。

未來展望：開放生態(tài)與硬件迭代的雙重助力

盡管DeepSeek尚未開源，但其PD分離架構為行業(yè)提供了關鍵思路。未來趨勢將圍繞兩大方向：

軟硬件協(xié)同優(yōu)化：如DPU卸載KV緩存?zhèn)鬏斎蝿?，進一步釋放GPU算力；

邊緣AI輕量化：通過模型剪枝與專用推理芯片，在10卡以下環(huán)境中實現(xiàn)MoE模型部署。

【參考文獻】

https://asterfusion.com/a20250306-scale-out/


審核編輯 黃宇