NVIDIA與Amazon Web Services（AWS）聯合推出AI和SageMaker HyperPod的整合，旨在提升AI培訓的可擴展性和管理效率。此合作將AWS SageMaker HyperPod與NVIDIA RUN：AI的GPU編排平台結合，優化多個GPU資源，顯著縮短模型培訓時間。 SageMaker HyperPod通過自動處理基礎設施故障提高系統彈性，確保培訓連續性。 NVIDIA運行：AI為IT管理員提供中心化管理GPU資源的接口，支持動態縮放，有效降低成本。這一集成為企業提供了靈活且高效的AI基礎架構解決方案。
艾里斯·科爾曼（Iris Coleman）2025年6月24日12:39
NVIDIA運行：AI和AWS SageMaker HyperPod集成以簡化AI訓練，在混合雲環境中提供了增強的可擴展性和資源管理。
Nvidia Run：AI和Amazon Web Services（AWS）揭示了一項戰略整合，旨在增強複雜的AI培訓工作負載的可擴展性和管理。根據NVIDIA的說法，這項合作將AWS Sagemaker Hyperpod與NVIDIA RUN：AI的高級AI工作量和GPU編排平台合併，有望提高效率和靈活性。
簡化AI基礎架構
AWS Sagemaker HyperPod旨在為大型分佈式培訓和推理提供一個彈性和持久的集群。通過優化多個GPU的資源利用，它可以大大減少模型培訓時間。此功能與任何模型體系結構都兼容，使團隊可以有效地擴展培訓工作。
此外，SageMaker HyperPod通過自動檢測和處理基礎設施故障來提高彈性，從而確保不間斷的培訓工作恢復而沒有大量停機時間。這種能力可以加速機器學習生命週期並提高生產率。
NVIDIA運行：AI的中心化管理
NVIDIA運行：AI為跨混合環境（包括本地和雲設置）提供了用於AI工作負載和GPU編排的中心化接口。這種方法使IT管理員可以在各個地理位置上有效地管理GPU資源，從而在需求尖峰時促進無縫的雲爆發。
AWS和NVIDIA RUN：AI的技術團隊都對集成進行了徹底的測試。它允許用戶在受益於NVIDIA RUN：AI的GPU優化和資源管理功能的同時利用SageMaker Hyperpod的靈活性。
動態且具有成本效益的縮放
該協作使組織能夠在本地和雲環境中無縫地擴展其AI基礎架構。 NVIDIA運行：AI的控制平面允許企業在本地或云中有效地管理GPU資源。該功能支持動態縮放，而無需過度提供硬件，從而在保持性能的同時降低了成本。
Sagemaker Hyperpod的靈活基礎架構是大規模模型培訓和推斷的理想選擇，使其適用於專注於培訓或微調基礎模型的企業，例如Llama或穩定的擴散。
增強的資源管理
NVIDIA運行：AI可確保AI基礎架構有效地使用了其高級調度和GPU分級功能。這種靈活性對管理波動需求的企業特別有益，因為它適應了計算需求的轉變，減少了空閒時間並最大程度地提高了GPU投資回報率。
作為驗證過程的一部分，NVIDIA運行：AI測試了幾個關鍵功能，包括混合和多群集管理，硬件故障後的自動求職以及推理服務。這種集成代表了在混合環境中管理AI工作負載方面邁出的重要一步。
圖像來源：Shutterstock
資訊來源：由0x資訊編譯自BLOCKCHAINNEWS。版權歸作者所有，未經許可，不得轉載