NVIDIA、Vera Rubin設計をOCPに公開 MGX 1.2でAIファクトリ標準化

OCPで示された共通基盤

NVIDIAはサンノゼ・マッケナリー・コンベンションセンターで開催されたOpen Compute Project（OCP）Global Summitで、次世代AIインフラの共通基盤を作るための新しいパートナーシップと貢献を発表しました。中心となるのは、NVIDIA Vera Rubinのラック設計とコンピュートトレイ設計を、オープンなNVIDIA MGXアーキテクチャを通じてOCPに提供したことです。これによりシステムビルダーは、次世代AIファクトリ向けインフラを開発するための共通の土台を得られるとしています。

発表の範囲は、AIファクトリ本体、それを動かす電力網、そして現代のアクセラレーテッドコンピューティングの中核となるラックスケールアーキテクチャにまたがります。具体的には、ハイパースケーラーとのAIファクトリ設計・電力網レジリエンスに関するオープン標準の公開、DSX AI Factory向けオープンソースソフトウェアの提供、MetaによるSpectrum-6 Ethernetの採用、Visionbayの800V DC設計、CiscoとのUSFP標準、GoogleとのFalcon Transport対応が含まれます。NVIDIAのIan Buck氏は、オープンなインフラが世界中でAIファクトリを拡大するための重要な要素になりつつあると説明しました。

MGX 1.2の主な変更点

NVIDIAはOCPのOpen DC Initiativeを通じ、第3世代MGX AIデータセンターリファレンスデザインへの貢献に参加しました。MQDやMQDBといったオープンな液冷技術と組み合わせることで、実績あるAIファクトリ設計を業界標準に引き上げ、他社が採用・製造・拡張できるようにする狙いです。

Vera Rubin AIファクトリ向けに更新されたMGX 1.2仕様では、ラックスケールのブラインドメイト液冷、相互運用可能なラックスケール相互接続、より高出力なAIシステム向けに設計された液冷5,000Aバスバーが追加されました。さらに19インチ機器のネイティブサポートと、高密度ラック設計も加わっています。

モジュール性も拡張され、構成可能なI/Oベイ、ファンレスの液冷コンピュートトレイ、標準化された電力・冷却インターフェース、エコシステムパートナーが相互運用可能な基盤を構築するための共通インフラが含まれます。最大250kWのラック配備を支え、組み立て・テスト・サービス時間の短縮によって製造とフィールドサービスを効率化するとされています。

DSX AI FactoryのOSS群

NVIDIA DSX AI factory platformは、コンピューティング、ネットワーキング、電力、冷却、設備、ソフトウェアを統合し、AIファクトリを単一の最適化されたシステムとして運用するためのプラットフォームです。その中心にあるのがDSX OSで、DSXアーキテクチャを大規模に協調的かつ再現可能な運用へ変えるオープンなオペレーティング層だと説明されています。

OCPでは、ネットワーク設定、クラスタ検証、ラック管理、ベアメタルプロビジョニングのための4つのオープンソースコンポーネントが追加されました。NVIDIA Config Managerはスイッチ設定を自動化し、NVIDIA Cluster Readiness Engineは実際のワークロードを模した負荷テストでGPUクラスタの健全性を確認してジョブクラッシュを防ぎます。NVIDIA Rack Management Serviceはラックを第一級の単位として扱うハードウェア抽象化と運用を提供し、NVIDIA Infrastructure Controller向けCluster API Providerはベアメタル配備を数日から数時間へ短縮するとされています。

これらはNVIDIA DGX Cloudの運用経験から開発されたもので、クラウドプロバイダーやソフトウェアパートナーがAIファクトリ機能を自社のマルチテナント基盤に直接組み込めるようにするとされています。開発者はDSX AI FactoryのGitHubページで、新規・既存のオープンソースコンポーネントを確認し、コントリビュートできると案内されています。

オープン標準と800V DC設計

NVIDIAはAMD、Google、Metaとともに、Open Data Center Specification v0.7を公開しました。電力アーキテクチャから冷却インフラ、物理レイアウトまでを含む、次世代AIファクトリの施設設計の統一ブループリントを定義するものです。あわせてGoogle、Meta、Microsoft、NVIDIAはOCP Grid Resilience Specificationを公開し、大規模AIインフラが電力網の混乱時にどう振る舞うべきかを定めています。仕様では、接続を維持し、自動的に応答し、2秒未満でほぼ全負荷まで復旧することが求められています。

これらの標準がオープンになったことで、世界中の機器メーカー、コロケーション事業者、データセンター運営事業者は、個別顧客の独自仕様を待たずに設計・製造・提供を始められるとしています。両仕様はNVIDIA DSXリファレンスデザインと互換性があり、施設レイアウトや電力アーキテクチャから、電力網の信号をリアルタイムに監視・応答するソフトウェアまで、検証済みの実装が得られると説明されています。

Visionbayは、800 VDCアーキテクチャを軸とした次世代AIファクトリプラットフォーム「K-1」の計画を明らかにしました。NVIDIAの800 VDCリファレンスアーキテクチャとVertivの電力・熱技術を組み合わせ、将来のVera Rubin配備を想定した設計です。ラック電力密度の上昇に伴い低電圧配電の拡張が難しくなるなか、クラスタレベルの電力センターでAC-DC変換を集中させ、800 VDCを計算資源の近くまで届ける構成をとります。既存配備の柔軟性を保ちつつ、効果の大きいところから段階的に800 VDCへ移行する設計だとされています。

MetaとSpectrum-6の協業

MetaとNVIDIAは、MetaがNVIDIA Spectrum-6 102.4Tb/s Ethernetスイッチを採用し、オープンネットワーキング上でより大規模・高性能なVera Rubin AIファクトリを構築すると発表しました。Spectrum-6はSpectrum-4比でスイッチ容量とレーンあたり帯域が2倍で、レーンあたり200GのロスレスEthernet AIファブリックを提供します。あるジョブのトラフィックが別のジョブを遅くしない性能分離も特徴とされています。

MetaのSpectrum-6ベースのスイッチ「N-IceCube」は、同社の100T液冷ラック「IcePack」に組み込まれます。N-IceCubeは、OCPに貢献されたMetaのオープンソースネットワークOSであるFBOSS上で動作します。FBOSSは、NVIDIAが開発を支援したOCP標準のSwitch Abstraction Interface上に構築されており、スイッチハードウェアをベンダー非依存で制御する方法を提供します。

両社は、Spectrum-6スイッチとConnectX-9 SuperNICで実現するSpectrum-X Multiplane技術を中核に据えています。MultiplaneはGPUトラフィックを最大8つの独立したネットワークプレーンにハードウェアで分散し、より少ないスイッチ階層と低いインフラコストで10万GPU超への拡張を可能にします。障害時には残りのプレーンへトラフィックが移り、帯域は低下してもGPUとAIアプリケーションの稼働を維持できるとされています。