رویکرد سرتاسری گوگل به زیرساخت هوش مصنوعی
فعالیت گوگل در حوزه هوش مصنوعی کل پشته فناوری را در بر میگیرد: این شرکت مدلهای پیشرو مانند Gemini و Nano Banana را میسازد، هوش مصنوعی را در محصولات روزمرهای مثل Gmail، BigQuery، AlloyDB، Cloud Code و Cloud Assist ادغام میکند، چارچوبهای توسعه نرمافزاری مانند Gemini Enterprise Agent Platform، JAX و MaxText را عرضه میکند و در عین حال زیرساخت زیرین را نیز طراحی میکند؛ از جمله محاسبات استاندارد، شتابدهندههای TPU و GPU، شبکه و ذخیرهسازی بهینهشده، و نرمافزار ارکستراسیونی مانند GKE و Cluster Director که همگی در پلتفرمهای ابررایانهای نظیر AI Hypercomputer بستهبندی میشوند. این پست چنین رویکردی را برای «عصر عاملمحور» ضروری میداند؛ دورهای که در آن هوش مصنوعی از صرفاً پاسخگویی به پرسشها به سمت استدلال و اقدامکردن حرکت میکند.
بهروزرسانیهای محصول و پلتفرم
در جولای ۲۰۲۶، سرویس Google Cloud Managed Lustre به مرحله دسترسپذیری عمومی رسید؛ این سرویس در چهار سطح کارایی (۱۲۵، ۲۵۰، ۵۰۰ و ۱۰۰۰ مگابایت بر ثانیه به ازای هر ترابایت ظرفیت) و با قابلیت مقیاسپذیری تا ۸ پتابایت ارائه میشود و بر پایه فناوری EXAScaler شرکت DDN ساخته شده است. گوگل همچنین سری C4N را عرضه کرد؛ نخستین خانواده ماشین مجازی بهینهشده برای شبکه و ذخیرهسازی بلاک که با پردازندههای نسل پنجم Intel Xeon Scalable و سختافزار Titanium گوگل به پهنایباند شبکه ۴۰۰ گیگابیت بر ثانیه، ۹۵ میلیون بسته در ثانیه و توان ذخیرهسازی بلاکی تا ۲۵ گیبیبایت بر ثانیه میرسد. لایه Dataplane V2 در GKE اکنون برای خوشههای تا ۱۵ هزار گره در دسترس عمومی قرار گرفته. قابلیت جدید «تقسیم زمانی مشارکتی» در llm-d نرخ اشغال شتابدهندهها را از حدود ۴۰ درصد به تا ۷۰ درصد افزایش میدهد. گوگل همچنین ابزار k8s-aibom را متنباز کرد؛ کنترلری برای تولید اسناد استاندارد CycloneDX ML-BOM برای امنیت زنجیره تأمین هوش مصنوعی.
راهنماهای کاربردی و طرحهای فنی
در ۲۷ جولای، گوگل پشتیبانی «روز صفر» از مدل متنباز ۲.۸ تریلیونپارامتری Kimi K3 از شرکت Moonshot AI را اعلام کرد. راهنمایی دیگری پشتیبانی DRANET مدیریتشده در GKE از هر دو نوع شتابدهنده GPU و TPU را توضیح میدهد. یک طرح فنی شرح میدهد که چگونه یک تیم گوگل استنتاج مدل MoE بزرگ Mistral 3 روی شتابدهنده Ironwood (TPU نسل هفتم) را بهینه کرده و به بهبود کلی کارایی ۱.۵ برابر و افزایش توان عملیاتی تا ۴۸ درصد دست یافته است.
پژوهشها و گزارشهای صنعتی
گوگل بهعنوان رهبر در نخستین گزارش Gartner Magic Quadrant برای زیرساخت هوش مصنوعی معرفی شد و بالاترین رتبه را در «توانایی اجرا» کسب کرد. در گزارشی جداگانه با عنوان «وضعیت زیرساخت هوش مصنوعی»، گوگل بیش از ۱۴۰۰ مدیر ارشد فناوری اطلاعات را بررسی کرد و دریافت که ۸۳ درصد از سازمانها اعلام کردند که برای پشتیبانی از هوش مصنوعی عاملمحور در سطح تولید، به ارتقای زیرساخت نیاز دارند.
منابع
- What's new in AI infrastructure and orchestration this month — Google Cloud Blog