Generatived（Beta）｜生成AIの最新ニュースとトレンドを提供

Google Cloud（カリフォルニア州）は、AIモデルの効率的な推論を実現するための新しいソリューションを発表した。このソリューションは、NVIDIA Dynamoを使用し、分散型推論を可能にする。これにより、モデル処理フェーズが分離され、パフォーマンスとコスト効率が向上する。

具体的には、Google Kubernetes Engine（GKE）、vLLM推論エンジン、NVIDIA H200 GPUを搭載したA3 Ultra GPUアクセラレータインスタンスを使用する。Google CloudのAI HypercomputerにNVIDIA Dynamoをデプロイすることが容易になり、AIアプリケーションのレイテンシ要件を満たしつつ、高いパフォーマンスと推論効率を実現する。

分散型推論アーキテクチャでは、プリフィルステージとデコードステージを別々のGPUプールに分散する。これにより、計算負荷の高いプロンプト処理が高速なトークン生成を妨げないようにすることが可能となる。Dynamoは、SGLangやTensorRT-LLM、vLLMなどの推論エンジンに対応しており、全体のスループットが向上する。

Google Cloudは、この新しい分散型推論レシピを通じて、生成AIアプリケーションのパフォーマンスを向上させると同時にコストを削減することを目指している。開発者はGitHub上のAI Hypercomputerリソースリポジトリでレシピを確認し、次世代のAI搭載サービスの構築に活用できる。