Generatif (Beta) |. Memberikan berita dan tren terkini dalam AI generatif

Google Cloud meluncurkan metode penerapan AI yang efisien
Generatived
12/9/25, 09.00
Google Cloud telah mengumumkan solusi baru untuk mengatasi tantangan arsitektur layanan berbasis GPU tradisional dan menerapkan model AI secara lebih efisien. Metode baru ini menggunakan pendekatan inferensi terdistribusi dengan NVIDIA Dynamo, yang meningkatkan performa dan efisiensi biaya dengan memisahkan fase pemrosesan model AI. Inovasi ini khususnya efektif untuk model Generative AI skala besar yang membutuhkan penerapan kompleks dan intensif sumber daya.
Solusi terbaru perusahaan ini menyederhanakan penerapan NVIDIA Dynamo pada hiperkomputer AI yang mencakup Google Kubernetes Engine (GKE), mesin inferensi vLLM, dan instans GPU A3 Ultra yang diakselerasi oleh GPU NVIDIA H200. Konfigurasi ini dirancang untuk menghasilkan performa dan efisiensi inferensi yang lebih tinggi sekaligus memenuhi persyaratan latency aplikasi AI. Para pengembang dan insinyur ML dapat mengakses resep dan sumber daya tambahan di GitHub untuk mengintegrasikan solusi ini ke dalam proyek AI mereka.
Pendekatan Google Cloud terhadap inferensi AI terdiri dari dua fase komputasi yang berbeda: fase pra-pengisian yang memproses perintah input dan memanfaatkan daya pemrosesan paralel, dan fase dekode yang menghasilkan respons dan membutuhkan akses memori yang cepat. Arsitektur baru kami memisahkan fase-fase ini ke dalam kumpulan GPU yang berbeda, mencegah perebutan sumber daya dan meningkatkan pemanfaatan GPU. Hal ini mengurangi biaya dan latency inferensi, sebuah peningkatan yang signifikan dibandingkan arsitektur sebelumnya di mana kedua fase berjalan pada GPU yang sama.
Arsitektur inferensi terdistribusi memanfaatkan GKE untuk mengelola kumpulan node terpisah dari instans A3 Ultra, menggunakan NVIDIA Dynamo sebagai server inferensi dan mesin inferensi vLLM untuk komputasi. Hal ini memungkinkan setiap fase untuk diskalakan secara independen, memastikan pemrosesan cepat tidak menunda pembuatan token. Solusi ini mendukung berbagai mesin inferensi, menghasilkan peningkatan signifikan dalam throughput dan efisiensi GPU.
Bagikan artikel ini:

%20(1).webp)