是德科技推出AI数据中心构建器

在AI基础设施的构建与优化过程中，一个核心挑战始终存在：如何在不投入巨额资金进行大规模实际部署之前，就能精准预测并验证新设计、新组件乃至新算法的真实性能？传统的实验室测试往往与最终的生产环境存在“最后一公里”的差距。

最近，是德科技推出了一款名为Keysight AI (KAI)数据中心构建器的软件套件，其目标正是为了解决这一痛点。简单来说，它试图通过高保真的模拟，在虚拟环境中复现真实的AI训练工作负载，从而让工程师能在早期设计阶段就回答那些关键的性能问题。

从“猜”到“测”：模拟真实工作负载的价值

如今，AI服务提供商为了加速模型训练，普遍采用各种复杂的并行处理策略，比如数据并行或模型并行。但问题在于，这些并行策略能否与特定的AI集群拓扑、网络配置完美匹配，直接决定了最终的训练效率。很多关键问题，尤其是围绕GPU之间数据传输效率的瓶颈，最好通过实验来寻找答案。

这些实验通常涉及几个核心维度：

• 纵向扩展设计
  ：AI主机或机架内部GPU的互连效率如何？

• 横向扩展设计
  ：集群的网络拓扑是怎样的？每个GPU能分到多少带宽？

• 网络优化
  ：负载均衡和拥塞控制策略是否配置得当？

• 框架调优
  ：训练框架本身的参数是否调整到了最佳状态？

然而，在真实的集群上进行这些实验成本高昂、周期漫长，且难以进行破坏性测试或快速迭代。KAI数据中心构建器的工作负载模拟功能，正是为了将这一实验过程前置和虚拟化。它能再现真实AI训练任务（如训练大语言模型）所产生的网络通信模式，从而让工程师在实验室里就能加速实验、降低学习成本，并获得一些在实际任务中难以捕捉的、关于性能下降根源的深层洞察。

工作负载模拟能做什么？

是德科技为这套解决方案预置了包括GPT、Llama在内的主流大语言模型工作负载库，以及数据并行、全分片数据并行等流行的模型分区方案。利用其中的工作负载模拟应用，工程师可以着手进行以下几类关键的验证与优化：

• 并行策略实验
  ：灵活调整并行参数，比如数据块大小及其在现有基础设施上的分布调度策略，观察不同方案的效果。

• 通信影响分析
  ：量化分析并行任务内部及之间的通信开销，对整体任务完成时间究竟产生了多大影响。

• 瓶颈定位
  ：精准识别出那些拖慢整体进度的低效集合通信操作，并深入定位到是网络、是计算还是其他环节成了瓶颈。

• 网络性能洞察
  ：分析网络利用率、尾部延迟和拥塞情况，并明确它们如何最终影响作业完成时间。

这意味着，无论是AI服务提供商、GPU云厂商，还是基础设施供应商，现在都有机会将真实的AI工作负载引入实验室环境。他们可以在产品上市或大规模采购前，就验证不断演进的AI集群设计和新组件的兼容性与性能。同时，也能通过反复实验，微调模型并行方案和算法参数，从而在基础设施层面为AI工作负载实现“量身定制”的优化。

全栈验证：将风险扼杀在摇篮里

随着AI基础设施的规模和复杂性呈指数级增长，对系统进行全栈验证和优化的需求变得前所未有的迫切。是德科技网络测试与安全解决方案的负责人Ram Periakaruppan指出，为了避免未来昂贵的延误和返工，必须将验证环节大幅提前到设计和制造周期的早期。

他认为，KAI数据中心构建器提供的高保真工作负载模拟，正是实现这一目标的关键。它为AI组件和系统设计带来了极高的真实性，使得优化工作负载以实现最佳性能成为可能。

据悉，这款KAI数据中心构建器是是德科技更宏大的KAI架构的基石。该架构包含一系列端到端解决方案，旨在通过真实的AI工作负载模拟来验证AI集群的各个组件，最终帮助客户在数据中心内稳健、高效地扩展AI处理能力。

在近期于旧金山举行的OFC 2025光网络会议上，是德科技已在其展台展示了这款数据中心构建器及其核心的工作负载模拟功能。这标志着，用模拟驱动AI基础设施设计与验证，正从一个概念加速走向工程实践的前沿。