掘力计划第21期 – Ray: 大模型时代的AI计算基础设施

在最近的掘力计划 21 期中，我们带来了大家非常期待的大模型专场，邀请了四位大模型领域的专家来为我们做一些分享。

今天给大家带来其中一位主讲人——宋顾杨的分享主题：《Ray: 大模型时代的AI计算基础设施》。

大家可能对于宋顾杨和他的主题比较陌生，我们先来介绍一下宋顾杨本人的经历：

• 蚂蚁（计算智能技术部）Ray团队开源负责人，Ray开源社区Committer。
• 2017年以来主要参与和推动了Ray在蚂蚁从0到1再到万台服务器规模的落地。
• Ray C++分布式框架的作者和Runtime Environments框架的主要开发者，也是Ray中文社区的布道师。

他这次分享的主题是 Ray 这个分布式计算引擎框架，可能很多人都没有听说过 Ray 这个框架，主要是原因作为一个基础设施，Ray 往往不以产品的形态出现，而是作为产品的支撑。

如果我们来说一些基于 Ray 来支撑的一些产品，大家肯定就耳熟能详了，比如：OpenAI，OpenAI 在今年揭露了一些他们的 GPT 系列产品底层训练所使用到的分布式计算框架，其中 Ray 框架就被他们重点指出了其所发挥的作用。

Ray 的演进

Ray 从诞生之初，其实是作为一款强化学习方面的框架被创造出来，随着时代的不断变化，Ray 也被加入了更多的功能，其定位也在慢慢发生改变，我们先来看一下 Ray 的发展历程：

从诞生到现在，Ray 经历了七年的发展，从一开始的强化学习方向到现在的AI方向，Ray 的团队及其开源社区也做了很多的努力，其中宋顾杨所在的蚂蚁集团从 2017 年就开始采用 Ray 框架作为支撑，并为 Ray 内核贡献了超过 26% 的代码，所以 Ray 框架其实在蚂蚁的各个场景内都有涉及，并且蚂蚁集团也为其发展也贡献了不小的力量：

到目前为止，Ray 的定位就是一款面向 AI 的新一代 AI 计算框架，同时也是一款通用分布式计算框架。

Ray 在计算系统中解决的核心问题我们可以用一张图来概括：

对于任何一个分布式系统研发团队来讲，他们会面临一些很重复的问题，就是上图右边的这些问题，这些问题会耗费整个研发团队很多不必要的经历，Ray 来解决的就是这么一个问题，让研发团队更专注于自身的业务系统上而非通用问题上。

Ray 核心能力

通过上面分享人给的例子图，我们可以看出 Ray 对于整个计算任务有很强的优化，无论是从效率还是功能上，都远远超过传统的云原生计算方式。

Ray 能有这么大的提高，离不开它的一些核心设计点：

1. 不绑定计算模式：把单机编程中的基本概念分布式化。
2. 无状态计算单元：通过简单的注解就可以让一个本地方法放到远程机器上执行。
3. 有状态的计算单元：轻松将一个本地类部署到远程机器上，类serverless。
4. 分布式 Object：多节点之前 Object 传输，自动垃圾回收。
5. 多语言和跨语言：Ray 支持 Java、Python、C++，并且可以做跨语言调用。
6. 资源调度：注解声明式任务需要分配的资源，比如 CPU，是否同一节点。
7. 自动故障恢复：Ray 所有组件都具有自动恢复功能，用户无需关心其底层细节，声明其实现即可。
8. 运行时环境依赖：针对不同的任务可以直接声明不同的运行环境，比如需要一个带 tensorflow 的 python 环境。
9. 运维：完善的运维与监控功能与可视化页面。

虽然实现了这么多强大的功能，Ray 的架构却是非常的简洁高效：

具体想要了解具体 Ray 的架构协作方式可以参考他们的官方文档，我们在这里就不多做阐述了。

Ray 的开源生态与案例

上图就是 Ray 支持的 AI 生态的全景图，几乎涵盖了市面上所有主流框架，也就是说，在 Ray 里面可以很方便的上面这些框架做集成。

通过这些框架集成，Ray 也可以将整个AI pipeline执行过程串联成以下四个大步骤：

Data -> train -> tune -> serve，这四步涵盖了所有分布式训练的主要功能：

1. 数据预处理。
2. 深度学习。
3. 深度调优。
4. 在线推理。

在 Ray 中，你可以通过短短百行代码完成以上所有步骤。

在开源大模型训练方面，也有许多大型项目在使用 Ray：

在企业级应用方面，大家最耳熟能详的应该就是 ChatGPT-4了：

除了 OpenAI 之外，还有许多来自全球各地的公司在深度使用 Ray：