摩尔线程王华：算力需求千倍增长，大集群和FP8成为强需求

智东西（公众号：zhidxcom）
作者 | 中国AI算力大会

6月26日，2025中国AI算力大会在北京热烈召开。从国产AI算力的突围与崛起，到智算中心深层软硬件技术创新解决算力落地产业难题，近30位重量级嘉宾与会带来致辞、报告、演讲和对话，全方位解构DeepSeek引爆的AI算力变局。

摩尔线程副总裁王华在主会场以《基于FP8的国产集群训练》为题进行了主题演讲。在演讲中他提到2020至2025年间，大模型训练的算力需求激增近1000倍 ，而驱动力来自参数规模与数据量双向增长。

王华认为，大集群和FP8成为大模型现阶段的最强需求。对此，他围绕大模型算力需求、混合精度训练、FP8训练技术演进等方面进行了深入浅出地剖析阐释。

此外，王华还分享道，摩尔线程提供包括FP8在内的全精度算力，构建了支持多种不同数据类型的混合精度训练方案，还可以提供万卡集群开箱即用的产品，可以满足大模型的算力需求，并大幅提升其训练效果。

以下为王华的演讲实录精华：

一、5年，大模型训练算力需求增长千倍

首先来看一下大型训练需求的趋势。2020年，算力需求训练需求最高是在1023flops。到25年，训练算力需求最高的是xAI的Grok3，算力需求差不多到了1026flops。从1023到1026，算力需求增长了1000倍。

增长主要来自两个方面：一是模型参数。大模型的模型参数规模是在不断增加的，最近的模型动辙都是数千亿甚至到万亿的参数规模；第二是训练数据量。早期训练数据量可能到几百B，稍微多一点到1T，但现在基本都是十几T。

所以，算力需求和模型参数数量与训练数据量的乘积成正比，而这两个维度的增长，带来模型训练算力需求的大幅增长。

再举一个例子，比如，Llama 3 70B大概是在1024flops左右，然后更大一点Llama 3 405B在1025flops左右,GPT 4也在1025左右,早期的Llama 2大概在1023flops左右。虽然Llama 2与Llama 3的模型参数和模型结构比较类似，但是因为Llama 2的训练数据量低一个数量级，所以它要求的算力也会低一个数量级。

不只是算力，这些大规模训练所需要的集群也越来越大。为了校正所需要的算力，用H100的千卡、五千卡到万卡量级的集群来作类比。表格中的数据是按照MFU算的，当然不同模型的参数大小对MFU有影响，另外集群规模增大之后由于加速比效应，MFU会下降，所以这里只是大致的估算。

这个量级中，DeepSeek V3的算力需求大概在3.4×1024flops。在千卡集群上，1024的训练时间大概是97天，五千卡集群需要22天，到万卡级别就只需要13天了。再举一个例子，Qwen 3 235B，虽然模型参数小一些，但因为数据集更大，它的实际算力会更高，所以Qwen 3 235B计算量约为4.75×1024flops。再看一下训练时间，这个计算量在千卡集群上需要136天，五千卡上是37天，到万卡就只需要18天。这是两个比较典型的国内MOE模型的例子。

再比如说Llama 3 370B，这是比较典型的Dense模型（稠密模型），训练数量也差不多在1024flops左右，训练时间也与Qwen 3差不多。

更大的模型，比如GPT 4，训练数量有1025flops，这几乎是千卡不可能完成的任务，到这个量级基本需要万卡级别的集群来支撑。尤其是现在大模型的训练参数基本都在向着万亿发展，数量级十分巨大，所以后续训练需要的算力也会非常大。

二、混合精度训练缓解算力需求激增难题

为了解决算力需求，摩尔线程采用混合精度训练的方法。在整个模型训练过程中，识别出对精度要求不高的操作，将其替换为低精度计算。

更低精度带来的优势，首先体现在算力层面：精度降低一半，算力翻倍，同时显存占用、显存带宽及传输带宽消耗均减半。本质上，采用更低精度的数据类型进行训练，相当于实现了算力的翻倍。但需注意，低精度替换只能部分进行，无法完全替代，精度敏感的环节仍需保留高精度计算。因此，降低精度可在一定程度上提升算力或降低模型训练的算力需求。

在精度策略的设计上，可从两个维度考量：第一个维度是模型权重。以相同算力条件为例，对比多参数低精度模型与少参数高精度模型,如100B参数规模的FP16模型和200B参数规模的FP8模型，从数学表达能力来看，其可表达的理论空间是等价的。

但当前行业趋势更倾向于优先扩展模型参数规模。这是因为模型训练中实际使用的精度范围仅占理论值域的一部分，造成“精度空间浪费”，而增大参数规模能有效提升模型效果。

从行业技术演进来看，精度格式正沿着FP32→TF32→FP16/BF16→FP8的路径发展。此前业界对FP8的应用尚处探索阶段，而DeepSeek已将其成功应用于模型训练，预计未来会有更多模型采用FP8精度。

三、FP8训练挑战解析：数值范围局限与精度损失引发的梯度问题

FP8训练面临什么挑战？首先我们看一下不同浮点数的值域。因为指数位不同，取值范围其实差别很大。比如BF16，忽略正负号，可以看到值域靠低端的部分可以到2-126，然后高端的可以到2127。FP16的值域会小很多，但有十位尾数，值域靠低端部分接近2-14，然后高端部分是六万多。

FP8有E4M3和E5M2两种，可以看到，E4M3的取值范围其实非常窄，只有2-6到448，E5M2跟FP16类似，但其实跟现在广泛用的BF16比，取值范围还是小很多。这里面有两个因素，一个是取值范围，一个是精度。

取值范围就是刚刚讲到的从小数到大数的范围，因为FP8的数值范围小，很可能在计算过程中遇到数值上溢和下溢的问题，如此就会带来一个典型问题：梯度爆炸和梯度消失。

精度就是尾数部分能够表达的数量。精度低会带来舍入误差的问题。例如在做数值转换的时候，可能BF16能表示的数在FP8里就会丢失掉一些小数。另外就是一个大数加一个很小的数，由于小数部分太小了，两者就相当于没加，这样就会造成信息丢失，对模型训练过程会带来梯度无法更新的问题。

四、FP8训练技术不断演进，4大创新攻克低精度核心难题

这两年FP8训练技术取得多项进展，已经应用在一些模型的训练中。

模型训练中不同操作对精度的需求是不一样的：

1、矩阵乘操作：作为两数相乘的基础运算，FP8的数值范围易于控制，可通过值域限定避免溢出，对精度要求较低；

2、累加与规约操作：矩阵乘中隐含的累加过程（尤其大矩阵运算时多数相加）存在值域溢出风险，对精度要求处于中等水平；

3、非线性函数运算：如指数函数等场景，数值易快速超出值域，对精度要求最高。

基于此，训练中可对不同操作采用差异化精度策略，通过中间过程的量化与反量化实现精度适配。

Tensor Core技术提供了混合精度运算的硬件支持。自2017年引入以来，该技术持续进化，现可支持以FP8格式矩阵为输入，通过硬件级混合精度运算输出高精度矩阵结果。

此外，训练框架也在支持混合精度训练。例如在BF16与FP32的混合训练中，多数操作采用BF16执行，但权重更新时会切换至FP32，通过维护FP32权重副本确保训练稳定性。

还有就是Tensor Scaling（张量缩放）技术。在进行高精度向低精度转换时，由于值域范围不同，会出现信息丢失问题。因此在数据类型转换前，需先将高精度值域乘以Scaling Factor（缩放因子）参数，使其缩放到低精度值域范围内，以此确保转换过程中尽可能减少数据丢失。

Scaling Factor的选择可以有不同的策略。在时间维度上来看可以是在量化前直接计算，也可以采用基于历史数据的Delayed Scaling Factor（延迟缩放因子）。

从颗粒度来看，既可以对整个 Tensor 应用统一的Scaling Factor，也能进行更精细的选择，比如Per-Channel（逐通道）缩放，甚至还能进一步细化到Per-Channel的子区域。DeepSeek在其论文中提及，他们采用的是Per-Block（逐块）的缩放策略。

简单说一下DeepSeek的论文。DeepSeek-V3就使用了FP8混合精度训练，其中主要采用了以下策略：

1、前向和后向传播的3次GEMM使用FP8；

2、激活值的缓存和传输使用FP8；

3、Embedding、激活函数等模块使用高精度浮点数；

4、主权重、权重梯度、优化器状态使用高精度浮点数。

五、摩尔线程全栈支持FP8训练，性能提升20%~30%，对标主流水平

那我们说回到摩尔线程在采用FP8训练上面的一些工作。

首先，摩尔线程的全功能GPU计算卡在精度上的支持非常全面，摩尔线程是国内少数可以支持FP8精度的GPU供应商。不同计算精度可以用在图形、计算等不同场景，摩尔线程计算卡的优势就是支持全精度计算。

第二点就是在集群方面的工作。摩尔线程可以说是在集群这一方面投入很大的国产GPU公司。我们的夸娥（KUAE）智算集群系列产品可以让客户实现开箱即用，已经做到千卡规模，可支持万卡，未来还会向着更大规模集群前进。

在这一整个过程中，我们积累了很多实践。摩尔线程搭建了完整的软硬件栈，从硬件设计到集群管理、调度等全部包含。在大规模集群的运维方面也积累了丰富的经验。在大规模训练时，经常会出现计算错误、卡异常等情况，如何快速定位出现故障的部分将其替换是很重要的。我们采用了分布式的故障监测方法，实现分钟级的故障定位和恢复。

另外还有支持FP8训练的摩尔线程软件栈。我们开源了3个组件：提供MUSA后端加速支持的Torch-MUSA、混合并行训练框架MT-MegatronLM以及主要用于Transformer的高效训练和推理优化的MT-TransformerEngine。基于摩尔线程软件栈，我们成功复现了DeepSeek-V3满血版训练。

在此之上我们做了一系列的实验，基于我们自己的夸娥（KUAE）集群，在性能方面，在Llama3 8B、Qwen、DeepSeek-V2 16B以及V3 30B上，目前采用FP8混合训练可以带来20%~30%的性能提升，且引入FP8前后loss曲线基本一致，在采用FP8训练方面，摩尔线程的GPU计算卡与国际主流的卡做精度对比也基本吻合。

此外，摩尔线程在Scaling Factor的选择上也做了许多探索，例如：amax的统计信息表明Per-Tensor的Scaling Factor适合采用Delayed Scaling策略，而Per-Block则适合采用JIT Scaling策略。我们还用摩尔线程GPU计算卡做了Smooth SwiGLU论文的复现，我们发现，通过Smooth SwiGLU可以有效降低outlier的影响。

今天我给大家汇报的内容就是这些，谢谢。