10月29日消息，YouTube視頻博主 ServeTheHome 首次曝光了埃隆·馬斯克 （Elon Musk）旗下人工智能企業(yè)xAI的Colossus AI 超級計算機集群，其集成了100000個英偉達（NVIDIA）H100 GPU，號稱是目前全球最強大的AI超級計算機集群。
早在今年7月下旬，馬斯克就在“X”平臺上宣布，自己已經(jīng)啟動了“世界上最強大的 AI 集群”。這座AI集群從開始建設(shè)到完成組裝僅花了122天就完成了，目前已經(jīng)上線運行了約3個月。
根據(jù)ServeTheHome曝光的信息來看，龐大的Colossus AI超級計算機集群采用的是超威電腦（Supermicro）的服務(wù)器，其基于NVIDIA HGX H100方案，每個服務(wù)器中擁有8個H100 GPU，封裝在 Supermicro 的 4U 通用 GPU 液冷系統(tǒng)內(nèi)，為每個 GPU 提供簡單的熱插拔液冷。這些服務(wù)器裝載在機架內(nèi)，每個機架可容納 8 臺服務(wù)器，也就是說每個機架內(nèi)有 64 個 GPU。1U 歧管夾在每個 HGX H100 之間，提供服務(wù)器所需的液體冷卻。每個機架的底部是另一個 Supermicro 4U 單元，這次配備了冗余泵系統(tǒng)和機架監(jiān)控系統(tǒng)。
△四組 xAI 的 HGX H100 服務(wù)器機架，每組可容納八臺服務(wù)器。（圖片來源：ServeTheHome）
△xAI Colossus GPU 服務(wù)器的后部訪問。每臺服務(wù)器有 9 根以太網(wǎng)電纜，每臺服務(wù)器有 4 個電源。電源和液體冷卻軟管也可見。（圖片來源：ServeTheHome）
這些機架以 8 個為一組配對，每個陣列有 512 個 GPU。每臺服務(wù)器都有四個冗余電源，GPU 機架的后部露出三相電源、以太網(wǎng)交換機和一個提供所有液體冷卻的機架大小的歧管。Colossus 集群中有超過 1500 個 GPU 機架，或近 200 個機架陣列。據(jù)英偉達首席執(zhí)行官黃仁勛稱，這 200 個陣列的 GPU 僅用了三周時間就完成了安裝。
由于 AI 超級集群不斷訓(xùn)練模型的高帶寬要求，xAI 在其網(wǎng)絡(luò)互連性方面提供了超大的帶寬。目前每個顯卡都有一個 400GbE 的專用 NIC（網(wǎng)絡(luò)接口控制器），每臺服務(wù)器還有一個額外的 400Gb NIC。這意味著每臺 HGX H100 服務(wù)器都有每秒 3.6 TB 的以太網(wǎng)速率。整個集群都在以太網(wǎng)上運行，而不是 InfiniBand 或其他在超級計算領(lǐng)域標(biāo)配的連接。
△仰望一大片的黃色以太網(wǎng)電纜，將 xAI Colossus 集群連接在一起。多層過寬的電纜線路嵌入天花板中。（圖片來源：ServeTheHome）
△xAI 的 Colossus CPU 計算服務(wù)器，看起來與該站點中也廣泛使用的 Supermicro 存儲服務(wù)器完全相同。（圖片來源：ServeTheHome）
當(dāng)然，像 xAI 旗下Grok 3 聊天機器人這樣基于訓(xùn)練 AI 模型的超級計算機需要的不僅僅是 GPU 才能運行。Colossus集群當(dāng)中的存儲和 CPU 計算機服務(wù)器的詳細信息仍未曝光，不過這些服務(wù)器也大多采用 Supermicro 機箱。一波又一波的 NVMe 轉(zhuǎn)發(fā) 1U 服務(wù)器內(nèi)部帶有某種 x86 平臺 CPU，可容納存儲和 CPU 計算，還具有后入式液體冷卻功能。
另外，在該超級計算機集群的外面，還可以看到一些大量捆綁的特斯拉 Megapack 電池（每個最多可容納 3.9 MWh）。該電池陣列的是為了應(yīng)對突發(fā)停電的臨時備用電源，其可以在毫秒之間快速提供供電，相比柴油發(fā)電機反應(yīng)要快得多，可以使得有足夠時間去啟動其他備用電源。
