新版GKE可管理最多6.5万集群节点，超越AWS、Azure 10倍

Google Cloud公布最新Google Kubernetes Engine版本，号称可支持最高达65,000个节点的服务器集群，以执行超大型AI模型。

生成式AI技术演进及应用普及，推升了大型语言模型（LLM）规模及参数量也越来越大，目前许多已突破千亿参数，甚至有些来到2兆。而训练这些大型模型的加速器，需要超过1万个节点的运算基础架构。

Google Kubernetes Engine（GKE）向来可支持多节点集群，以执行AI模型训练任务。先前版本GKE可支持1.5万个集群节点，随着新版推出，现在GKE可支持高达6.5万个节点的集群。Google认为最新GKE支持的节点规模，是Amazon和微软的10倍以上。

以Google Cloud而言，现在单一节点提供了多个加速器，像是搭载4颗芯片的Cloud TPU v5e节点，因此单一集群使用最新版GKE后，最多可管理超过25万颗加速器。

Google说明新版GKE较前代的创新。首先，该公司将Key-Value数据库由etcd换成了以Google Spanner为基础的key-value数据库，后者几乎规模无上限，可改善集群运行（如启动和更新）延迟性，及无状态集群控制层（control plane）。Google并实例etcd API以提供回溯兼容性，使核心Kubernetes无需变更。

其次，Google改善了管理Kubernetes控制层的GKE基础架构，使GKE现在扩展速度更快，改善的控制层有多重效益，包括能执行高一致性的大容量运算。控制层现在能自动应对运算调节，并使延迟性维持在可预测范围。这点对执行大移动态应用如SaaS、灾难恢复和备援、批次部署以及测试环境来说尤其重要。

有了新版GKE，Google Cloud强调更能支持AI模型任务。训练AI模型时企业需要分配计算资源给多个工作负载，因此将任务集中在少量集群可提供最大调度弹性，执行推论、研究和训练的作业。Google说，由于支持6.5万个节点，现在GKE允许单一集群执行5种任务，每种任务的执行性能，都足以媲美2023年Google Cloud以5万余颗TPU v5e，缔造的10 exa-FLOPs的LLM训练速度世界纪录。