دعم Ray على TPU يوسع خيارات تشغيل الذكاء الاصطناعي الموزع
Google توضح كيف يعمل Ray مباشرة على شرائح TPU للتدريب والاستدلال الموزع. الفرق الإقليمية تستطيع الآن اختبار بديل إضافي، بشرط قياس التكلفة وقابلية النقل.
استمع لهذا المقال
بصوت ليلى (Layla)
ماذا حدث: نشرت Google في 24 يوليو الجزء التطبيقي من دعم Ray المباشر لمسرعات TPU داخل Google Kubernetes Engine. يتيح المسار استخدام Ray Serve للاستدلال، وRay Data لتغذية المسرعات بدفعات JAX، وJaxTrainer للتدريب الموزع مع نقاط حفظ واستعادة بعد الأعطال، عبر تعريف طوبولوجيا شريحة TPU بدل كتابة تنسيق مخصص.
العدسة: السيادة الإشارة المتأخرة ضمن نافذة 72 ساعة توسع البدائل التقنية أمام فرق الذكاء الاصطناعي، لكنها تبقي هذا المسار مرتبطًا ببنية GKE وTPU؛ لذلك تعني السيادة هنا امتلاك قياسات نقل واضحة، لا مجرد تنويع اسم المسرع.
من يتأثر: فرق المنصات السحابية، ومهندسو التدريب والاستدلال، والمؤسسات التي تشغل نماذج مفتوحة على عناقيد موزعة.
ما يعنيه للمنطقة: يمكن لمشغلي البنية في الخليج اختبار TPU كخيار إضافي للسعة والتكلفة. القرار العملي يحتاج إلى قياس تكلفة المهمة، وموقع البيانات، وزمن نقل النموذج والبيانات بين البيئات.
خطوة عملية: شغل المثال الرسمي بنموذج Qwen3-4B على شريحة صغيرة، وسجل التكلفة والزمن والاستفادة من المسرع، ثم قارنها بخط أساس GPU للمهمة نفسها قبل أي التزام معماري.
المصدر: https://developers.googleblog.com/run-ray-on-tpu-part-2-ray-ai-libraries/