云服务与OEM厂商借助NVIDIA AI技术使得训练更上层楼

MLPerf 基准测试最新成绩正式揭晓——戴尔、浪潮、Microsoft Azure 与 Supermicro 借助 NVIDIA AI 平台，在 AI 模型快速训练方面刷新了世界纪录。没错，这些厂商在今日发布的 MLPerf 训练 1.1 版本中，均跑出了令人瞩目的训练速度。

在本次公布的八项热门工作负载里，NVIDIA 平台无一例外地拿下了最快训练速度的桂冠。更值得关注的是，这是 Azure 首次亮相 MLPerf 训练基准测试，一出手便凭借 NDm A100 v4 实例冲到了领先位置。

图示：新一轮测试中，NVIDIA AI 训练所有模型的速度均优于其他替代方案。

谈及性能核心的 GPU，NVIDIA A100 Tensor Core GPU 依然是每芯片性能的冠军。在系统层面，NVIDIA 基于模块化 DGX SuperPOD 架构搭建的 Selene 超级计算机，配合 InfiniBand 网络及自有软件栈，将 A100 的潜力完全释放，实现了整个测试中最快的 AI 训练速度。

图示：NVIDIA A100 GPU 在全部八项 MLPerf 1.1 测试中均实现了最佳的每芯片训练性能。

云服务性能再攀高峰

从本次结果来看，Azure 的 NDm A100 v4 实例在 AI 模型训练方面表现极为亮眼。它参与了所有测试项目，并将规模扩展至 2048 个 A100 GPU。性能强悍是一方面，更关键的是，Azure 已在美国六个区域开放租用，普通用户也能直接体验到这种级别的算力。

AI 训练本身就是一项投入巨大的工程，NVIDIA 的意图非常明确——无论用户选择哪种云服务或本地系统，都能以破纪录的速度完成模型训练。为此，NVIDIA 将自身 AI 技术与云服务、托管数据中心、企业级以及科学计算中心的产品进行了深度整合。

服务器制造商各显神通

在 OEM 阵营中，浪潮凭借八路 GPU 服务器 NF5688M6 和液冷服务器 NF5488A5，在单节点性能上斩获了最多纪录。戴尔和 Supermicro 则在四路 A100 GPU 系统上创下了新成绩。本次共有 10 家 NVIDIA 合作伙伴提交了结果，包括 8 家 OEM 和 2 家云服务商，占总提交量的 90% 以上。这是 NVIDIA 生态系统在 MLPerf 训练测试中的第五次登场，也是迄今为止表现最亮眼的一次。

合作伙伴如此积极，是因为 MLPerf 是目前唯一经过同行评审、符合行业标准的 AI 训练与推理基准。对客户而言，它是评估 AI 平台和供应商的可靠工具。

通过认证的服务器保障速度

百度 PaddlePaddle、戴尔科技、富士通、技嘉科技、慧与、浪潮、联想和 Supermicro 都提交了基于本地数据中心的结果（包括单节点和多节点任务）。值得注意的是，几乎所有的 OEM 合作伙伴都是在 NVIDIA 认证系统上运行的测试——这套认证体系专门为需要加速计算的企业客户验证了服务器硬件。

提交结果的广泛性，充分体现了 NVIDIA 平台的广度与成熟度。无论是小型创业公司还是大型企业，都能找到适合自己的方案。

快速且灵活兼备

在所有参与方中，NVIDIA AI 是唯一一个提交了全部八个基准测试和所有用例的平台。这背后反映的是平台的通用性：既能处理计算机视觉、自然语言处理，也能应对推荐系统和增强学习。快速而灵活的系统，正是客户追求的生产力保障。

透明与客观是 MLPerf 的底色，用户完全可以依据结果做出明智的购买决策。这一行业基准组织成立于 2018 年 5 月，得到了阿里巴巴、ARM、Google、Intel 和 NVIDIA 等数十家公司的支持。

三年性能跃升 20 倍

回顾数据，一切不言自明。仅在过去 18 个月里，NVIDIA A100 GPU 的性能就提升了 5 倍以上——这完全归功于软件的持续创新。自三年前 MLPerf 首次亮相以来，NVIDIA 的性能已提升超过 20 倍。如此大幅度的加速，源自 GPU、网络、系统到软件的全栈进步。

图示：NVIDIA AI 在三年的时间里实现了超过 20 倍的性能改进。

持续深耕软件优化

软件优化是本次成绩背后的核心驱动力之一。举例来说，通过采用一类新型内存复制操作，NVIDIA 在针对医学成像的 3D-UNet 基准测试中实现了 2.5 倍的操作加速。在物体检测的 Mask R-CNN 测试中，优化 GPU 并行处理方式带来了 10% 的速度提升；而在推荐系统测试中，这一数字达到 27%。

具体方法并不复杂：将独立操作重叠起来，尤其是那些需要跨多个 GPU 运行的任务。此外，NVIDIA 扩展了 CUDA 图形的使用范围，减少了与主机 CPU 的不必要通信，这让图像分类基准 ResNet-50 的性能提升了 6%。在 NCCL（NVIDIA 的 GPU 通信优化库）上引入的两项新技术，则为 BERT 这类大型语言模型带来了最高 5% 的加速。

充分利用 NVIDIA 工作成果

所有这些优化成果，均已在 MLPerf 仓库中公开。任何人都可以复现 NVIDIA 的结果。与此同时，NVIDIA 也在将这些改进持续整合到 NGC（GPU 应用软件中心）的容器中。这就是全栈平台的价值——经过行业基准验证，从多家合作伙伴处可得，并且能应对真实世界中的 AI 任务。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：云服务与OEM厂商借助NVIDIA AI技术使得训练更上层楼要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题