云原生AI算力平台通过统一管理异构计算资源、提供弹性训练和推理服务，解决大模型工程化对基础设施的挑战。平台基于Kubernetes实现多集群资源统一纳管，结合arena、kubeflow trainer、kueue和Koordinator等技术组件，实现任务高效调度、资源利用率优化和模型生命周期管理，帮助AI工程从小作坊向端到端云原生解决方案演进，提升大模型训练和部署效率。
给近半年做的云原生AI算力平台做一个回顾， 思考和实践参考了云溪大会上的分享：为大模型工程提效，基于阿里云 ACK 的云原生 AI 工程化实践[1]，全文很长，我这边做一个牵引和解读。
- 云计算迎来“智算”时代
云计算是一种**通过互联网的方式按需提供计算资源（如服务器、存储、数据库、网络、软件等）**的服务模式， 用户可以像使用水电气一样,按需购买、灵活付费，无需购买和维护物理设备。
特征是① 按需自助服务 ② 广泛的网络访问 ③ 资源池化 ④ 快速弹性伸缩 ⑤ 使用量计费
为什么叫“云计算”？
在冯诺依曼体系中，计算资源是CPU，但我们还是以“计算机”来指代包含计算、存储、网络、软件形成的完整服务器；
在云计算领域，“计算”一次被沿用，将传统计算机核心组件拆开虚拟化、池化，并提供了“用于信息处理所有软硬件要素的总和抽象”。
今天的云计算已经承载了web应用、数据库、大数据、机器学习和高性能计算等计算负载。
面对LLM和GAI这类对算力和数据都有极高需求的新负载，云计算也迎来了“智算”时代， 一方面以服务化资源池的概念提供万卡算力、PB级存储、和单机TB级高速网络互联，另一方面以云原生标准化交付算力给大模型的生产者和使用者。
- 大模型带来的挑战
AI有工程化的要求，同时也对基础设施提出挑战。
- 云原生AI的能力
最近在做的“AI大模型基础设施”， 宏观目标也是帮助AI工程从小作坊向端到端云原生解决方案演进。
统一管理异构资源，提供资源利用率
对idc内各种异构计算（GPU、CPU、NPU等）、存储（OSS、NAS、CPFS、HDFS）、网络（TCP、RDMA）资源进行抽象，统一管理和运维和分配，通过软硬协同优化，提供资源利用率。
通过①统一工作流 ② 统一调度， 实现AI/大数据等复杂任务的高效管理
- 从异构资源管理的角度，可一键部署、操作各种异构资源，在运维过程中，需要多维度的异构资源可观测性： 监控、健康检查、告警、自愈等自动化运维能力
- 对于宝贵的GPU/NPU算力资源，使用各种调度、隔离、共享的方式提供资源利用率
- 分钟级准备好开发和测试环境，帮助算法工程师把 ①执行深度学习任务②产出/评测模型③模型部署 以端到端的工作流串起来， 天然支持主流框架 tensorflow/pytorchjob/mpi
对于分布式任务，提供丰富的任务调度策略，如Gang scheduling、Capacity scheduling、Topology aware scheduling、优先级队列等。 - 提供弹性训练和弹性推理服务， 建立统一的数据集管理，模型生命周期管理， 优化模型访问性能，通过标准API使推理能力易于被业务应用集成。
- 云原生AI的架构实践
我们的云原生AI算力平台， 有参考上面的实践，针对企业业务的现状和侧重， 技术调研上做了调整和裁剪。
没有使用kubeflow全家桶，基于现有资源使用了arena、 kubeflow trainer。
kubeflow[2]是一个包含多个开源项目的AI生态组合， kubeflow以Kubernetes为底座，目标是成为部署、扩展和管理AI平台的系统。
在平台侧，我们统一纳管多集群资源，实现了统一调度能力和模型生命周期管理，关联了公司自有的数据存储（涉及数据集预热、模型存储）， 这里有一个技术点：[Go动态感知资源变更的技术实践，你指定用过！]
用户行为的触发点是arena， 我们使用arena提交了训练任务。
ref: Golang 文本模板，你指定没用过!
在调度侧，使用tranning operator和kserve组件，tranning operator 提供统一的训练工作流， kserve提供了将模型以云原生方式部署、扩缩容的能力。
arena产生训练任务/部署动作—> 内部helm形成对应的CRD（pytorchjob、InferenceService)—>控制器监听CRD的变更—> 生成底层资源（deploy/service/network)
各算法团队天然对应租户概念，也就是k8s命名空间， 我们给租户下面每一个用户颁发了一个serviceAccount[3]作为登录和操作凭据。
为实现自动任务调度，我们引入了kueue这样的任务队列组件，在任务被k8s调度器调度之前做准入，kueue成为了异构资源池化、多租户配额、任务排队的技术支撑。
为适配AI工程化的调度要求，我们使用Koordinator调度器支持了binpack装箱调度。
最后平台需要管控多渠道的任务，我们使用 informer机制监听了多渠道任务并回显到页面， 这里有个技术点，值得参考。
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
)
