Antigravity Agent
2.4 KiB
2.4 KiB
id: SYS-PIPE-PAR-001 category: Unified confidence_score: 1.0 tags: [infrastructure, Parallel-Computing, pipeline-parallelism, distributed-training, llm-training, gpu-Optimization] last_reinforced: 2026-04-26
Pipeline Parallelism (파이프라인 병렬성)
📌 한 줄 통찰 (The Karpathy Summary)
"거대한 모델을 한 그릇에 담으려 하지 말고, 여러 장치에 층층이 나누어 배치한 뒤 데이터의 컨베이어 벨트를 가동하라" — 모델의 레이어들을 여러 개의 GPU에 분산 배치하고, 데이터를 순차적으로 통과시켜 연산과 통신을 중첩함으로써 학습 효율을 높이는 분산 학습 기술.
📖 구조화된 지식 (Synthesized Content)
- 추출된 패턴: "Sequential Layer Partitioning and Micro-Batching" — 모델을 수직으로 쪼개어 장치별로 할당하고, 앞선 장치의 연산이 끝날 때까지 뒷 장치가 노는 시간(Bubble)을 줄이기 위해 미니 배치를 더 작은 마이크로 배치로 쪼개어 끊임없이 파이프라인을 채우는 패턴.
- 핵심 알고리즘:
- GPipe: 마이크로 배치를 통해 유휴 시간을 줄인 최초의 표준 파이프라인 병렬화.
- PipeDream: 전방 계산(Forward)과 후방 계산(Backward)을 비동기적으로 중첩시켜 효율 극대화.
- 의의: 단일 GPU 메모리 용량을 초과하는 수천억 파라미터 규모의 초거대 언어 모델(LLM) 학습을 가능케 하는 물리적 인프라의 필수 구성 요소.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 단순히 층을 나누면 통신 오버헤드 때문에 느려질 것이라는 우려를 '마이크로 배치'와 '비동기 통신' 기술로 극복하며, 이제는 데이터 병렬화(DP) 및 텐서 병렬화(TP)와 결합된 하이브리드 병렬화(3D Parallelism)가 표준이 됨.
- 정책 변화: Antigravity 프로젝트는 대규모 지식 모델의 파인튜닝 시, GPU 자원 점유율을 최적화하기 위해 파이프라인 병렬화 기반의 분산 학습 프레임워크(DeepSpeed 등)를 적극 활용함.
🔗 지식 연결 (Graph)
- Parallel-Computing-in-AI, NVIDIA-CUDA-and-AI,_system-Design-for-AI-Scale, LLM-Training-Foundations
- Raw Source: 10_Wiki/Topics/AI/Pipeline-Parallelism.md