新版GKE可管理最多6.5萬集群節(jié)點，超越AWS、Azure 10倍

Google Cloud公布最新Google Kubernetes Engine版本，號稱可支持最高達65,000個節(jié)點的服務器集群，以執(zhí)行超大型AI模型。

生成式AI技術演進及應用普及，推升了大型語言模型（LLM）規(guī)模及參數(shù)量也越來越大，目前許多已突破千億參數(shù)，甚至有些來到2兆。而訓練這些大型模型的加速器，需要超過1萬個節(jié)點的運算基礎架構。

Google Kubernetes Engine（GKE）向來可支持多節(jié)點集群，以執(zhí)行AI模型訓練任務。先前版本GKE可支持1.5萬個集群節(jié)點，隨著新版推出，現(xiàn)在GKE可支持高達6.5萬個節(jié)點的集群。Google認為最新GKE支持的節(jié)點規(guī)模，是Amazon和微軟的10倍以上。

以Google Cloud而言，現(xiàn)在單一節(jié)點提供了多個加速器，像是搭載4顆芯片的Cloud TPU v5e節(jié)點，因此單一集群使用最新版GKE后，最多可管理超過25萬顆加速器。

Google說明新版GKE較前代的創(chuàng)新。首先，該公司將Key-Value數(shù)據庫由etcd換成了以Google Spanner為基礎的key-value數(shù)據庫，后者幾乎規(guī)模無上限，可改善集群運行（如啟動和更新）延遲性，及無狀態(tài)集群控制層（control plane）。Google并實例etcd API以提供回溯兼容性，使核心Kubernetes無需變更。

其次，Google改善了管理Kubernetes控制層的GKE基礎架構，使GKE現(xiàn)在擴展速度更快，改善的控制層有多重效益，包括能執(zhí)行高一致性的大容量運算?？刂茖蝇F(xiàn)在能自動應對運算調節(jié)，并使延遲性維持在可預測范圍。這點對執(zhí)行大移動態(tài)應用如SaaS、災難恢復和備援、批次部署以及測試環(huán)境來說尤其重要。

有了新版GKE，Google Cloud強調更能支持AI模型任務。訓練AI模型時企業(yè)需要分配計算資源給多個工作負載，因此將任務集中在少量集群可提供最大調度彈性，執(zhí)行推論、研究和訓練的作業(yè)。Google說，由于支持6.5萬個節(jié)點，現(xiàn)在GKE允許單一集群執(zhí)行5種任務，每種任務的執(zhí)行性能，都足以媲美2023年Google Cloud以5萬余顆TPU v5e，締造的10 exa-FLOPs的LLM訓練速度世界紀錄。