是德科技发布AI数据中心构建平台解决方案

在构建和优化AI基础设施时，行业面临一个核心挑战：如何在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硬件设计、网络组件乃至训练算法的真实性能？传统的实验室测试环境与最终的生产环境之间，往往存在难以逾越的“最后一公里”性能鸿沟。

近期，是德科技推出了一款名为Keysight AI数据中心构建器的软件解决方案，旨在精准解决这一痛点。该工具通过高保真的数字孪生模拟，在虚拟环境中复现真实的AI训练与推理工作负载，使架构师和工程师能在设计初期就验证关键性能指标，大幅降低试错成本与部署风险。

从“估算”到“实测”：高保真工作负载模拟的核心价值

当前，AI服务商为提升大模型训练效率，广泛采用数据并行、模型并行等复杂策略。然而，这些并行化方案能否与特定的AI计算集群拓扑、高速网络配置完美协同，直接决定了最终的训练吞吐量与资源利用率。许多关键问题，尤其是GPU间高带宽通信可能引发的瓶颈，必须通过实验来获得答案。

这类性能验证通常围绕以下几个核心维度展开：

• 纵向扩展能力：单台AI服务器或单个机架内，GPU间互联（如NVLink）的实际效率如何？
• 横向扩展设计：大规模集群的网络拓扑是否最优？每个GPU可用的有效带宽是多少？
• 网络策略优化：负载均衡算法与拥塞控制机制是否配置得当？
• 训练框架调优：深度学习框架的并行参数与通信后端是否调整至最佳状态？

在实体集群上进行上述实验不仅成本高昂、周期漫长，且难以进行极限压力测试或快速方案迭代。KAI数据中心构建器的工作负载模拟功能，正是将这一实验过程前置至虚拟环境。它能精准模拟真实AI训练任务（如训练千亿参数大语言模型）所产生的网络流量模式，使工程师在实验室阶段即可加速验证循环、降低学习成本，并获得在实际任务中难以捕捉的、关于性能衰减根源的深度洞察。

工作负载模拟的具体应用场景

是德科技为该解决方案预置了包含GPT、Llama等主流大模型的工作负载库，以及数据并行、全分片数据并行等前沿的模型分区策略。利用其工作负载模拟应用，工程师可以开展以下几类关键的验证与优化工作：

• 并行策略验证：灵活调整并行参数，如数据分片大小及其在现有基础设施上的分布策略，对比不同方案对训练效率的影响。
• 通信开销量化：精确分析并行任务内部及任务间的通信延迟与带宽占用，量化其对整体任务完成时间的影响。
• 系统瓶颈定位：精准识别拖慢整体进度的低效集合通信操作，并深入分析瓶颈根源在于网络、计算还是存储环节。
• 网络性能深度洞察：分析网络链路利用率、尾部延迟分布及拥塞热点，明确其对AI作业完成时间的最终影响。

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工作负载引入研发与测试环境。他们可以在产品上市或进行大规模采购前，验证不断演进的计算集群设计和新一代网络组件的兼容性与极限性能。同时，也能通过反复实验，微调模型并行方案与算法参数，从而在基础设施层面为特定AI工作负载实现“量身定制”的深度优化。

全栈验证：将系统性风险前置化解

随着AI基础设施的规模与复杂性呈指数级增长，对系统进行全栈验证与协同优化的需求变得空前迫切。是德科技网络测试与安全解决方案的负责人Ram Periakaruppan强调，为避免未来昂贵的项目延误与架构返工，必须将验证环节大幅提前至设计与制造周期的初始阶段。

他指出，KAI数据中心构建器提供的高保真工作负载模拟，是实现这一目标的关键技术。它为AI硬件组件和全系统设计带来了接近真实的测试环境，使得在虚拟环境中优化工作负载、实现最佳性能成为可能。

据了解，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计算集群的各个组件，最终帮助客户在数据中心内实现稳健、高效且可预测的AI算力扩展。

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演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，利用模拟驱动AI基础设施设计与验证的方法，正从一个前沿概念加速走向广泛的工程实践。