第 06 章：超节点
一句话定位：多设备协作的完整方法论------六种并行方式、集合通信代价、scale-up 物理组织（NVLink/TPU/昇腾 UB）与内存池；"放大超节点得到的是容量和总吞吐，不是单个会话的速度"。上一页：第05章-算子与运行时，下一页：第07章-数据中心网络。
小白入门：为什么一张卡不够用？
生活类比：一个人搬不动一台冰箱------需要两个人抬。但两个人抬不是"一个人搬两倍快"，而是"两个人一起搬一台"。同样，多张 GPU 卡协作不是"一张卡跑两倍快"，而是"多张卡一起跑一个模型"。
核心问题 ：70B 模型权重 141GB，一张 H100 只有 80GB------连装都装不下。必须把模型拆开放到多张卡上。
"放大超节点得到的是容量和总吞吐，不是单个会话的速度。"
一、六种并行方式
类比：把一个蛋糕分给多人吃------可以按人数分（数据并行）、按层数分（流水线并行）、按每层的块分（张量并行）......
| 并行方式 | 切分维度 | 类比 | 适用场景 |
|---|---|---|---|
| DP（数据并行） | 样本 B | 每人分一块蛋糕 | 每卡跑完整模型，处理不同请求 |
| TP（张量并行） | 特征 H | 把蛋糕竖着切，每人拿一部分 | 每卡跑模型的一部分，同一请求 |
| SP（序列并行） | 序列位置 S | 把蛋糕横着切 | 长序列按位置分到不同卡 |
| CP（上下文并行） | 上下文块 | 把蛋糕按层分 | 超长上下文分块处理 |
| PP（流水线并行） | 层 L | 流水线------每人负责一道工序 | 模型按层切分，轮流处理 |
| EP（专家并行） | 专家 E | 每人负责不同科室 | MoE 模型的专家分到不同卡 |
套娃组合结构：DP 复制完整 TP×PP×EP 实例------大并行里套小并行。
二、集合通信的代价
类比：多人协作需要沟通------沟通本身也要花时间。如果沟通时间比干活时间还长，多人协作就不划算。
关键判据：TP 卡数翻倍的条件------通信增量须小于本地时间节省。
"并行收益随规模递减：串行处理的耗时仍然存在。"
通信-计算竞争："单独加快通信不一定能加快整体执行"------64 MiB 通信与矩阵乘并发仅省 2.7ms 而非全部 11ms。
大小消息的分界
"数据量小时看延迟，数据量大时看持续带宽。"
三、超节点的物理组织
类比：办公室布局------小团队面对面坐（直连），中等团队用共享白板（交换机），大公司分层管理（分层互联）。
| 方案 | 类比 | 代表 | 特点 |
|---|---|---|---|
| 直连 | 面对面坐 | 早期 8 卡 NVLink | 每卡连每卡，端口数爆炸 |
| 交换 | 共享白板 | NVSwitch | 集中交换，端口数可控 |
| 分层 | 分层管理 | DGX → NVL72 | scale-up 内紧密，scale-out 走网络 |
三大平台对比
| 平台 | 互联 | 规模上限 | 特色 |
|---|---|---|---|
| NVIDIA NVL72 | NVSwitch + NVLink | 72 GPU | 缓存一致，端口分配决定割集带宽 |
| TPU v4 | ICI 环面 + OCS | 4096 芯片 | 光路交换毫秒级切换 |
| 华为 UB | 事务层+传输层分离 | 384×910C | 256KiB 缓存容纳四千多台主机 |
华为 UB 的关键优势：连接状态按端点数相加而非按端点对相乘------逐对连接只容 8 台主机，UB 方案容 4000+ 台。
四、内存池
类比：同事的桌子空着，你把文件放他桌上------用的时候取回来。
- 借用与访问边界：在途事务窗口 uq/L
- 重复读取约 10 次时取回本地更省------超过这个阈值，不如搬回本地
五、关键量化数据
| 项目 | 数值 |
|---|---|
| HGX H100 基线 | 8×H100，每卡每方向 NVLink 450GB/s |
| NVLink 单向延迟 | 0.822μs vs IB 3.76μs |
| Qwen3-235B-A22B BF16 权重 | 470.2GB（单卡 6 倍），8 卡 TP 每卡 61.5GB |
| V4.1 Flash 算例（256 H100） | 超节点 8→64 卡每卡吞吐 ×7.4；64→256 无收益 |
| 昇腾 950 UB 双向 | 2016GB/s |
| 64B 远程读取 | UB 0.42μs vs PCIe 网卡 2.2μs |
"单个 token 调用的 MFU 不会超过 0.3%......各种并行方式，都是在这一约束下重新组织权重的读取与复用。"