阿里大招震驚老外：將英偉達(dá)顯卡用量降了 82%！

當(dāng)你在深夜打開(kāi)豆包或ChatGPT，問(wèn)一句“雙十一買什么好？”，可能沒(méi)想到——這一問(wèn)，背后跑起來(lái)的是一整張價(jià)值十幾萬(wàn)元的A100顯卡。

但除了偶爾這樣回答問(wèn)題，它的 95% 的時(shí)間卻在“發(fā)呆”。這聽(tīng)起來(lái)有點(diǎn)奢侈，但這就是當(dāng)前大模型市場(chǎng)的現(xiàn)實(shí)。

最近，阿里和北大聯(lián)合團(tuán)隊(duì)在頂級(jí)計(jì)算機(jī)系統(tǒng)會(huì)議上發(fā)表了一篇論文《Aegaeon：面向市場(chǎng)并發(fā)大語(yǔ)言模型推理的高效 GPU 共享系統(tǒng)》，講的就是怎么讓這些“摸魚(yú)”的 GPU 忙起來(lái)。

他們進(jìn)行了三個(gè)多月的測(cè)試，效果非常震驚：從原本服務(wù)幾十個(gè)模型需要的 1192 張英偉達(dá) H20 顯卡，降到只要 213 張。

直接降了 82%！

他們是怎么做到的？

01｜ 問(wèn)題：模型太多，GPU 太閑

現(xiàn)在的大模型市場(chǎng)（比如 Hugging Face）上，動(dòng)輒上百萬(wàn)個(gè)模型。有的紅的發(fā)紫（比如 DeepSeek、Qwen、Llama），有的卻長(zhǎng)期在冷宮——一個(gè)月都沒(méi)幾個(gè)人調(diào)用。

但問(wèn)題來(lái)了：

熱門模型 ：請(qǐng)求突然暴增，GPU 不夠用，用戶排隊(duì)等回復(fù)，我們都體驗(yàn)過(guò) DeepSeek 排隊(duì)的時(shí)候。

冷門模型 ：常年沒(méi)人用，但為了“隨時(shí)能響應(yīng)”，還得給它獨(dú)占一張 GPU——結(jié)果這張卡一年 99% 的時(shí)間在吃灰。

阿里云內(nèi)部數(shù)據(jù)顯示：17.7% 的 GPU 只處理了 1.35% 的請(qǐng)求。這就像你花 幾十萬(wàn) 租了一棟別墅，結(jié)果只用來(lái)放一個(gè)快遞柜，一年大部分時(shí)間還鎖著門。

擅長(zhǎng)降本的中國(guó)工程師們，這怎么能忍？

02｜ 舊方案為啥不行？

這么嚴(yán)重的一個(gè)問(wèn)題，當(dāng)然有人想過(guò)要去優(yōu)化，之前有兩種主流的做法：

“拼車”式多模型共存 （Multiplexing）：把兩三個(gè)模型塞進(jìn)同一張 GPU，輪流跑。問(wèn)題是大模型動(dòng)輒幾十 GB，一張 80G 的卡最多塞倆，再多就爆了。省不了多少。

“隨用隨開(kāi)”自動(dòng)擴(kuò)縮容 （Auto-scaling）：不用的時(shí)候把模型“關(guān)掉”，用的時(shí)候再?gòu)膬?nèi)存或硬盤(pán)“拉起來(lái)”。

這聽(tīng)起來(lái)很美，但實(shí)際很慢——加載一個(gè) 13B 模型要好幾秒，用戶早就跑了。

更糟的是，這些系統(tǒng)都是按“整個(gè)請(qǐng)求”來(lái)調(diào)度的。

就像餐廳點(diǎn)菜，哪怕你只需要一個(gè)勺子，也必須等到前面客人的一桌菜全上完，你才能點(diǎn)。這種“慢的等所有人”的模式，就是典型的效率卡頓（頭阻塞）。

03｜ Aegaeon 的妙招

【溫馨提示：這部分非技術(shù)人員跳過(guò)也無(wú)妨】

Aegaeon 的核心思想很反直覺(jué)：

別等一個(gè)請(qǐng)求跑完，而是“邊跑邊換”，像流水線一樣切碎任務(wù)。

它把大模型推理拆成兩個(gè)階段：Prefill（備料階段）：讀你輸入的問(wèn)題，生成第一個(gè)字；Decoding（吐字階段）：一個(gè)字一個(gè)字往后吐。

Aegaeon 干了兩件關(guān)鍵事：

1. 按“token”（字）級(jí)別做調(diào)度

不再等一個(gè)請(qǐng)求跑完才切模型；而是每生成幾個(gè)字，就看看有沒(méi)有更緊急的任務(wù)，有就立刻切換。

這樣，一張 GPU 可以同時(shí)服務(wù) 7 個(gè)甚至更多模型，而不是 2～3 個(gè)。

2. 把“切換成本”壓到極致

傳統(tǒng)切換要 10 秒以上，Aegaeon 通過(guò)三大優(yōu)化，把開(kāi)銷砍掉 97%：

• 組件復(fù)用：推理引擎只初始化一次，模型權(quán)重單獨(dú)換；

• 顯存自管：自己管內(nèi)存分配，避免碎片，不用反復(fù)“垃圾回收”；

• KV Cache 精細(xì)同步：KV Cache 相當(dāng)于模型在吐字時(shí)記下的“關(guān)鍵筆記”，用于加速后續(xù)生成。

Aegaeon 優(yōu)化了數(shù)據(jù)搬運(yùn)和計(jì)算流程，讓它們可以同時(shí)進(jìn)行，互不干擾，實(shí)現(xiàn)了亞秒級(jí)切換。

聽(tīng)到這是不是有點(diǎn)懵，又有點(diǎn)似曾相似？

沒(méi)錯(cuò)，實(shí)際上 Aegaeon 這種“隨時(shí)中斷，切換緊急任務(wù)”的邏輯，跟我們到電腦操作系統(tǒng)里面的 CPU 調(diào)度（即“搶占式調(diào)度”）原理很像。

CPU 也是把程序執(zhí)行切成時(shí)間片來(lái)輪換，以至于我們會(huì)認(rèn)為它在并發(fā)處理多個(gè)任務(wù)。

但 CPU 切換任務(wù)的開(kāi)銷很小，大模型可不一樣，它涉及到數(shù) GB 數(shù)據(jù)的搬運(yùn)。所以，阿里牛逼的地方是能把這種昂貴的切換開(kāi)銷壓到最低，做到秒級(jí)切換。

04｜效果有多猛？

有效吞吐量提示 1.5～9 倍：同樣硬件，能服務(wù)更多用戶；

支持請(qǐng)求速率提高 2～2.5 倍：高峰期也不卡；

生產(chǎn)環(huán)境實(shí)測(cè)：原本需要 1192 張 H20 GPU；用 Aegaeon 后，只需 213 張；省下 82% 的 GPU 資源，相當(dāng)于省下幾千萬(wàn)的硬件和電費(fèi)！

而且，用戶完全無(wú)感，沒(méi)人覺(jué)得“變慢了”。

05｜為什么這事很重要？

現(xiàn)在的大模型競(jìng)爭(zhēng)，焦點(diǎn)往往是誰(shuí)的參數(shù)更大、誰(shuí)擁有的 GPU 數(shù)量更多。

但現(xiàn)實(shí)是：真正的競(jìng)爭(zhēng)優(yōu)勢(shì)在于極致的工程效率，在于能否將每一分算力榨干，實(shí)現(xiàn)成本結(jié)構(gòu)的根本性優(yōu)化。

像阿里云、 DeepSeek 這樣的中國(guó)團(tuán)隊(duì)已經(jīng)證明，要打出大廠級(jí)別的效果，靠的不是資源堆砌，而是對(duì)算力的最優(yōu)利用以及在算法層面的突破。

有海外網(wǎng)友一針見(jiàn)血地評(píng)論：“中國(guó)團(tuán)隊(duì)正努力讓 AI 變得更高效、更便宜，而美國(guó)卻被‘必須買更多 GPU’的迷思困住了?！?/p>

另一位網(wǎng)友感慨：“DeepSeek 把 API 價(jià)格砍半，這不是營(yíng)銷，是成本革命?！?/p>

當(dāng)潮水退去，真正能走進(jìn)千行百業(yè)、實(shí)現(xiàn)大規(guī)模普及的 AI，從來(lái)不是最“大”或最“貴”的那個(gè)，而是品質(zhì)可靠、性價(jià)比最高的那個(gè)。

附：關(guān)鍵詞解釋

論文地址：https://ennanzhai.github.io/pub/sosp25-aegaeon.pdf

如果你覺(jué)得這篇文章有用，歡迎轉(zhuǎn)發(fā)給那個(gè)總在抱怨“GPU 不夠用”的朋友

本文由「AI 范兒」出品

感謝你看到這里，如果覺(jué)得不錯(cuò)，那就請(qǐng)幫忙點(diǎn)個(gè)贊、愛(ài)心、轉(zhuǎn)發(fā)三連吧，這對(duì)我們非常有幫助。如果想第一時(shí)間收到推送，也可以給我們加個(gè)星標(biāo)?