تهيّئ Lambda مجدول Run:ai مفتوح المصدر لخدمة Kubernetes

قالت Lambda في 13 أكتوبر 2026 إنها تعمل مع NVIDIA لإتاحة مجدول وحدات معالجة الرسومات Run:ai مفتوح المصدر خيارًا مُدارًا أساسيًا ضمن Lambda Kubernetes Service (LKS)، وذلك في إطار مكتبة مخططة من المجدولات التي ستُقدَّم كمكوّنات مُدارة.

وردت الخطة في منشور على مدونة Lambda بتاريخ 13 أكتوبر 2026. وقالت الشركة: «نرحب بقرار NVIDIA فتح مصدر Run:ai، ونعمل على جعله خيارًا أساسيًا ضمن Lambda Kubernetes Service (LKS)». وأضافت Lambda أنها تدعم Run:ai على بنيتها التحتية منذ عام 2022، ووصفت هدفها بأنه تسهيل اعتماد إمكانات Run:ai وتشغيلها عبر LKS، بما يمنح الفرق تحكمًا أكبر في كيفية تخصيص سعة وحدات معالجة الرسومات ومشاركتها.

فتحت NVIDIA مصدر المجدول في عام 2025

أعلنت NVIDIA في 1 أبريل 2025 إصدار KAI Scheduler مفتوح المصدر، وهو حل لجدولة وحدات معالجة الرسومات أصيل في Kubernetes، طُوّر في الأصل ضمن منصة Run:ai، بموجب ترخيص Apache 2.0، وفقًا لإعلان NVIDIA. وقالت NVIDIA إن المجدول ما زال يُعبّأ ويُقدَّم ضمن منصة NVIDIA Run:ai.

وفقًا لـNVIDIA، يعيد المجدول احتساب قيم الحصة العادلة باستمرار، ويعدّل الحصص والحدود في الوقت الفعلي، جامعًا بين جدولة المجموعات ومشاركة وحدات معالجة الرسومات والانتظار الهرمي. ويربط مكوّن podgrouper المدمج تلقائيًا أحمال العمل بأطر عمل تشمل Kubeflow وRay وArgo وTraining Operator. وتصف NVIDIA دورة جدولة تلتقط لقطة لحالة مجموعة Kubernetes، وتحسب حصة عادلة لكل قائمة انتظار عبر مرحلتي الحصة المستحقة وتجاوز الحصة، ثم تطبّق إجراءات التخصيص والتوحيد والاسترداد والاستباق لمواءمة التخصيصات الحالية مع الحالة المحسوبة.

مشاركة وحدات معالجة الرسومات وجدولة الحصص في Run:ai

وصفت Lambda متطلبات تطوير الذكاء الاصطناعي المتفاوتة لوحدات معالجة الرسومات: فقد تحتاج جلسات تصحيح الأخطاء إلى جزء من وحدة معالجة رسومات واحدة فقط، وقد تتفرع عمليات التقييم إلى عدد كبير من المهام المستقلة، بينما قد يتطلب التدريب الموزع أعدادًا كبيرة من وحدات معالجة الرسومات المترابطة بإحكام في الوقت نفسه. كما تتغير المتطلبات مع انتقال العمل من الأفكار الأولية إلى التجارب ثم إلى مرحلة الإنتاج. وعندما تُخصَّص وحدات معالجة رسومات كاملة للمهام الصغيرة، ينتظر الباحثون بينما تظل السعة المحجوزة غير مستخدمة، وقد تجد الفرق تجاربها عالقة خلف وحدات معالجة رسومات محجوزة لمجموعة أخرى لكنها خاملة.

بحسب وصف Lambda، فإن Run:ai مجدول لوحدات معالجة الرسومات في Kubernetes يتجاوز المجدول الافتراضي لـKubernetes بطريقتين: مشاركة وحدات معالجة الرسومات، التي تتيح تشغيل أكثر من حمل عمل على وحدة معالجة رسومات واحدة، والجدولة القائمة على الحصص، التي تضمن تخصيصًا لكل فريق، مع السماح للفرق باستعارة السعة الخاملة من بعضها بعضًا.

يوضح توثيق NVIDIA لتجزئة وحدات معالجة الرسومات أن التجزئة تقسّم ذاكرة وحدة معالجة الرسومات إلى أجزاء أصغر يمكن لعدة أحمال عمل مشاركتها، مع فرض حجم الذاكرة الذي يطلبه كل حمل عمل، بحيث لا يتجاوز طلبه ولا يتعدى على ذاكرة حمل عمل آخر. ويحصل كل حاوي على مساحة عناوين ذاكرة افتراضية منفصلة، وهو ترتيب يسميه التوثيق «وحدة معالجة رسومات منطقية».

وفقًا للتوثيق، تستخدم التجزئات تقسيم الوقت من NVIDIA لمشاركة قدرة المعالجة في وحدة معالجة الرسومات افتراضيًا. وتخصص التجزئات متعددة وحدات معالجة الرسومات الحجم نفسه من التجزئة عبر عدة وحدات معالجة رسومات ضمن عقدة واحدة؛ فعلى سبيل المثال، يمكن تخصيص 8×40GB لنموذج يستخدم 8 وحدات معالجة رسومات ويتطلب 40GB من الذاكرة لكل وحدة، بدلًا من تخصيص الذاكرة الكاملة لكل وحدة، ما يترك 40GB متاحة لأحمال العمل الأخرى على كل وحدة في تلك العقدة. ويشير التوثيق إلى أنه لا يمكن استخدام تجزئة وحدات معالجة الرسومات ووضع Multi-Instance GPU (MIG) على العقدة نفسها.

يوضح توثيق NVIDIA لمفاهيم المجدول أن كل حاوي يُنشأ حديثًا يُسنَد إلى مجموعة حاويات، وأن جدولة المجموعات تعني أن حمل العمل المؤلف من عدة حاويات إما أن يُجدول بالكامل أو يظل بالكامل قيد الانتظار. وتُنشأ قائمة انتظار للجدولة لكل مشروع وقسم ضمن كل مجموعة عُقد؛ إذ تحدد الحصص المستحقة أحمال العمل غير القابلة للاستباق التي يمكن تشغيلها، بينما لا تتاح الموارد التي تتجاوز الحصة إلا لأحمال العمل القابلة للاستباق. ويحسب المجدول قيمة الحصة العادلة لكل مشروع وقسم ضمن كل مجموعة عُقد. وعندما تكون إحدى قوائم الانتظار دون حصتها العادلة بينما تتجاوزها أخرى، ينقل المجدول الموارد بين قوائم الانتظار لإعادة التوازن، وقد تؤدي هذه العملية إلى استباق أحمال العمل القابلة للاستباق التي تتجاوز حصتها. ويمكنه أيضًا استرداد الموارد بين المشاريع والأقسام، كما يستطيع المسؤولون تحديد استراتيجيات توزيع متراص أو متفرق لكل مجموعة عُقد.

المعالجة التلقائية لأعطال العقد في LKS

أشارت Lambda إلى أن المشاركة والاستباق يفترضان سلامة وحدة معالجة الرسومات الأساسية، وهو أمر لا يمكن ضمانه عند العمل على نطاق واسع: إذ قد تُصدر المسرّعات أخطاء XID، وتتدهور وصلات NVLink وPCIe، وتُعاد تعيين صفوف الذاكرة، وتنخفض سرعة منافذ InfiniBand عن المعدل المتوقع. ولا يستطيع المجدول التمييز بين وحدة معالجة رسومات سليمة وأخرى معطلة، لذلك يواصل إرسال المهام إلى عقدة تُسقطها.

قالت Lambda إن المعالجة التلقائية للأعطال متاحة بالفعل في LKS. وأضافت الشركة أنها تراقب كل عقدة بحثًا عن هذه الأعطال، وتعرض كل عطل بوصفه حالة قياسية لعقدة Kubernetes. وعند تفعيل إحدى هذه الحالات، تُمنع العقدة من استقبال أعمال جديدة، وتُفرَّغ منها المهام قيد التشغيل، ثم يُصحَّح العطل تلقائيًا أو يُحال إلى فريق إصلاح الأجهزة؛ ولا تعود العقدة إلى الخدمة إلا بعد إعادة التحقق من سلامتها.

تصف وثائق Lambda الخاصة بخدمة Kubernetes المُدارة الخدمةَ بأنها بيئة Kubernetes تدعم وحدات معالجة الرسومات وInfiniBand (RDMA)، وتوفر تخزينًا دائمًا مشتركًا عبر جميع العُقد في مجموعة 1-Click Cluster. ويأتي كلٌّ من NVIDIA GPU Operator وNVIDIA Network Operator مثبّتًا مسبقًا، كما تُجري الخدمة تحققًا مستمرًا للتأكد من أن وحدات معالجة الرسومات والشبكات والتخزين تعمل على النحو الصحيح، إلى جانب المعالجة الآلية لمشكلات العُقد لاكتشاف الأعطال المادية والتعافي منها.

خارطة طريق مكتبة أدوات الجدولة المُدارة

قالت Lambda إن جدولة وحدات معالجة الرسومات هي الطبقة التي تتركها مفتوحة عن قصد، وإن الخطوة التالية لـ LKS هي التوجه نحو ما تسميه مكتبة برمجيات للذكاء الاصطناعي: أدوات جدولة تعمل على Kubernetes، ومنها Slurm وRun:ai، تُقدَّم كمكونات مُدارة تتحقق Lambda من توافقها مع أجهزتها وتُبقيها محدّثة، بدلًا من أن يركّبها العملاء يدويًا من مخططات Helm. ويُعد Run:ai هدفًا أساسيًا لهذه المكتبة، وقالت Lambda إنها تعمل مع NVIDIA لتحقيق ذلك.

بحسب Lambda، فإن إصدار المصدر المفتوح هو ما يتيح هذا النهج؛ إذ يمكن للشركة حزم Run:ai واختباره وصيانته ضمن LKS نفسها، بدلًا من تسليم العملاء مجموعة من إرشادات التكامل. وقالت Lambda إنها تسعى إلى توفير تكامل جاهز للاستخدام، تتولى فيه مسؤولية الحزم والتحقق والتشغيل المستمر.

قالت Lambda، التي تنتج أبحاثًا مفتوحة خاصة بها، إنها تقدّر قدرتها على فحص الأدوات التي تعتمد عليها وتكييفها وتحسينها، ووصفت قرار NVIDIA بأنه يوسّع نطاق هذه الحرية ليشمل التنسيق.