Ai2 تطلق مجدول GPU: ثلاث آليات لمواجهة الطوابير وخمول المسرّعات

وصفت Ai2 مجدولًا جديدًا لعنقود GPU الخاص بها. يقوم على ثلاث آليات: الميزانيات الزمنية، والتوزيع العادل للموارد (fair-share)، والتقسيم الزمني (time-slicing). وتتمثل مهامه في ثلاث: توجيه القدرات الحوسبية إلى أهم الأبحاث، وتقليص زمن الانتظار في الطابور، ومنع المسرّعات من الخمول. لا يتضمن الإعلان أي أرقام: لا حجم العنقود، ولا نسبة الاستخدام، ولا زمن الانتظار قبل التطبيق وبعده. لذلك فهو عرض لبنية الحل، وليس تقريرًا عن النتائج.

ثلاث آليات في نظام واحد

بحسب الوصف، تعالج كل آلية مشكلة مستقلة من مشكلات العنقود المشترك.

تحدد الميزانيات الزمنية عدد ساعات GPU التي يمكن لفريق أو مشروع استهلاكها. ويجعل هذا السقف الاستهلاك مرئيًا، ويدفع الفرق إلى التخطيط للتجارب مسبقًا بدل تشغيل كل شيء دفعة واحدة.

يراقب fair-share ألا يستحوذ أحد على العنقود لفترة طويلة. فإذا استهلك فريق قدرًا كبيرًا بالفعل، تتراجع مهامه الجديدة لصالح من استخدموا أقل. وهذه فكرة كلاسيكية في Slurm وغيره من مجدولات HPC، وتطبّقها Ai2 على العمل البحثي.

يتيح time-slicing لعدة مهام أن تتناوب على مسرّع واحد. وبذلك لا يبقى العتاد الغالي معطّلًا بين التشغيلات القصيرة، ولا تنتظر التجارب الصغيرة حتى تُخلى آلة كاملة.

الأولوية بحسب التأثير

أكثر ما يلفت هنا هو عبارة «high-impact research». فالمجدولات تعتمد عادةً على معايير شكلية: من سبق إلى الطابور، وكم استُهلك حتى الآن، وما حصة المستخدم. أما Ai2 فتقول إنها تأخذ في الحسبان قيمة العمل أيضًا. ولم يكشف الإعلان كيف تُقيَّم هذه القيمة بالتحديد. قد يكون ذلك قرارًا يتخذه قادة المشاريع، أو نوع المهمة، أو مرحلة التجربة. ويتوقف على الجواب ما إذا كان النظام سيحقق توزيعًا عادلًا فعلًا أم سيكون مجرد وسيلة أخرى للتفاوض على الحصص.

والسؤال حساس بالنسبة إلى معهد غير ربحي. فـ Ai2 تدرّب نماذج مفتوحة وتجري أبحاثًا، وتتنافس على القدرات الحوسبية مع مختبرات تفوقها عناقيدها حجمًا بمراتب عدة. وكل ساعة GPU معطّلة تكلّف هناك أكثر.

ما أُعلن في المادة:

• ثلاث آليات: الميزانيات الزمنية، وfair-share، وtime-slicing؛
• هدف الأولويات: دعم الأبحاث عالية التأثير؛
• هدف الطابور: تقليص زمن الانتظار؛
• هدف الاستخدام: إبقاء GPU مشغولة؛
• النتائج الكمية وحجم العنقود وتفاصيل التنفيذ: لم يُكشف عنها.

ما الذي يمكن الاستفادة منه

يمكن نقل هذا النموذج إلى أي فريق عدد وحدات GPU لديه أقل من عدد الراغبين في استخدامها. وفيما يلي بعض الخلاصات العملية.

أولًا: ابدؤوا بالقياس والمحاسبة. فمن دون بيانات عمّن يستهلك ساعات GPU وبأي كمية، لن تعمل الميزانيات ولا fair-share. قيسوا مؤشرين على الأقل: الزمن الوسيط للانتظار في الطابور، ونسبة الوقت التي تحسب فيها المسرّعات فعليًا.

ثانيًا: افصلوا بين فئات المهام. فالتدريب الطويل والتنقيح القصير يتطلبان قواعد مختلفة. ويفيد time-slicing الفئة الثانية. أما مع الأولى، فقد يتحول إلى خسارة في الكفاءة بسبب تبديل السياق والتنافس على ذاكرة GPU.

ثالثًا: حدّدوا مسبقًا كيف يُعبَّر عن «التأثير». فإذا لم يُدوَّن المعيار، ستتحول الأولويات إلى مساومات، وسيبدأ الالتفاف على الميزانيات الصارمة.

يجدر انتظار أن تنشر Ai2 الأرقام. فهل تقلّص الطابور، وبكم ارتفع الاستخدام، وكيف تفاعلت الفرق مع السقوف، ستبيّن ما إذا كان المخطط يعمل أفضل من fair-share المعتاد. أما الآن فهو إعلان عن ممارسة هندسية جيدة، ولا توجد أدلة على فعاليتها.