5 月 26 日-27 日，由 msup 主辦的 2023 年 A2M 峰會在上海南新雅皇冠假日酒店盛大舉行。本次 A2M 峰會以“AIGC 時代下的 AI 落地實踐、數(shù)據(jù)智能和基礎(chǔ)架構(gòu)演進”為主題，邀請了 100 余位行業(yè)專家從支撐數(shù)字化轉(zhuǎn)型的幾個關(guān)鍵技術(shù)切面入手，甄選前沿有典型代表的 84 個技術(shù)創(chuàng)新及研發(fā)實踐的架構(gòu)案例，分享他們本年度的總結(jié)和實踐啟示。

峰會第二日，華為云 Serverless 研發(fā)工程師朱安東帶來了主題為“Serverless“遇見”AI，釋放 AI 生產(chǎn)力”的分享，重點介紹了業(yè)界領(lǐng)先的基于函數(shù)計算的 ServerlessAI推理解決方案，并展示了華為云函數(shù)工作流（FunctionGraph）的靈活、速度，如何讓開發(fā)人員提升工程效率，縮短 TTM 等。

華為云serverless 研發(fā)工程師朱安東

朱安東表示：“AIGC 正逐漸在千行百業(yè)生根發(fā)芽，并且快速成為了行業(yè)中重要的生產(chǎn)力工具。伴隨著 AIGC 大模型以及領(lǐng)域?qū)＜翌愋偷闹行∧Ｐ偷目焖傺葸M，引發(fā)了海量 AI 推理、大模型托管以及底層強大算力的訴求。然而，要想實現(xiàn) AI 扎根千行百業(yè)、實現(xiàn)“AIeverywhere”的最終目標，我們?nèi)匀挥泻荛L的路要走?！?/p>

Serverless——AIeverywhere 的下一塊拼圖

從業(yè)內(nèi)工程師的角度來看，AI 應(yīng)用迭代發(fā)展的核心痛點主要包含 2 個方面：

第一：算法工程師作為 AI 應(yīng)用的核心開發(fā)者通常只會和模型、數(shù)據(jù)以及代碼打交道，主要工作圍繞數(shù)據(jù)清洗、數(shù)據(jù)工程、特征工程還有模型設(shè)計、開發(fā)、訓(xùn)練等，偏研究和理論方向。但是一旦涉及到算法模型和 AI 應(yīng)用的最終落地，推廣給大量用戶使用就會涉及到模型發(fā)布、上線等動作，為了完成這些流程，開發(fā)者通常需要去花時間和經(jīng)歷學(xué)習(xí)托管類知識，尤其是云原生時代下的 docker還有 k8s 等；

第二：對于參數(shù)量很大的模型上線后很難找到足量、優(yōu)質(zhì)的算力資源快速獲得推理結(jié)果，推理性能差。從基礎(chǔ)架構(gòu)工程師的視角來看，GPU 硬件設(shè)備成本高，研究階段的需求量尚且能夠滿足，但是上線后面對海量用戶和請求的資源量過于龐大，需要大量的投入；

另外，業(yè)務(wù)通常都是有浮動趨勢的，就像旅游業(yè)的淡季和旺季，為了滿足業(yè)務(wù)峰值準備的資源在業(yè)務(wù)量低的時候資源利用率也隨之降低，資源嚴重浪費。

綜上，AI 應(yīng)用如果想深入到人們的生活仍有很多問題需要克服。那么如何加速 AI 應(yīng)用快速落地、敏捷迭代呢？Serverless 是以應(yīng)用為中心的新型云原生計算形態(tài)，這是業(yè)界的共識。而“用戶無感、按需使用、以應(yīng)用為中心，無需關(guān)注基礎(chǔ)設(shè)施”這幾個特性正好可以解決 AI 應(yīng)用的幾個痛點問題：

第一：以應(yīng)用為中心：AI 工程師可以專注業(yè)務(wù)邏輯和模型 performance，節(jié)約下大量的時間和精力。

第二：無需關(guān)注基礎(chǔ)設(shè)施：企業(yè)和架構(gòu)工程師無需提前準備海量計算資源、自建機房，只需按需使用，按量計費。

華為云 FunctionGraph 解決 AI 用戶上云 4 大問題

華為云 FunctionGraph 函數(shù)工作流是一項基于事件驅(qū)動的函數(shù)托管計算服務(wù)，通過函數(shù)工作流，只需編寫業(yè)務(wù)函數(shù)代碼并設(shè)置運行的條件，無需配置和管理服務(wù)器等基礎(chǔ)設(shè)施，函數(shù)便可以彈性、免運維、高可靠的方式運行。對于現(xiàn)階段人們對業(yè)務(wù)、彈性以及降本增效等訴求提升，華為云 FunctionGraph 無疑是 AI 推理 Serverless 化的優(yōu)質(zhì)選項。

在 Serverless 的開發(fā)模式下，開發(fā)人員和交付流程實際上是有明顯界限的。開發(fā)人員只需要上傳代碼包或者一個鏡像文件即可讓整個業(yè)務(wù)跑起來，不需要面對繁瑣的交付流程。

為了讓用戶能夠在 Serverless 平臺上更加絲滑、流暢的開發(fā)和運行 AI，華為云 FunctionGraph 推出了針對 AI 場景的解決方案，主要解決 AI 用戶上云的四大問題：

①工程效率

模型開發(fā)、編排：專注業(yè)務(wù)代碼，NoOps，低碼編排

支持代碼包，容器鏡像

②性能、彈性：

長時負載，支持異步函數(shù)調(diào)用，最長函數(shù)執(zhí)行時間 72 小時

冷啟動問題：池化預(yù)熱、彈性調(diào)度

③運行時、異構(gòu)計算：

支持 GPU/NPU，加速推理性能

支持 GPU 共享，提升資源利用率

④模型加載加速：

大文件加載：OBS+SFS 結(jié)合，解決 ML 模型庫 &模型自身大文件加載問題；

鏈路加速：高性能解壓縮轉(zhuǎn)換，降網(wǎng)絡(luò)開銷、CPU 解壓耗時；共享內(nèi)存加速技術(shù)，降解壓 IO 開銷；依賴包預(yù)加載，降低公共依賴的下載、解壓耗時

同時華為云 FunctionGraph 基于函數(shù)計算的ServerlessAI推理解決方案具有 5 大優(yōu)勢：

1.更低的學(xué)習(xí)成本，更卓越的工程效率，更短的 TTM

華為云 FunctionGraph 可以極大提升開發(fā)效率。精通 Python 的算法科學(xué)家無需學(xué)習(xí)如何安裝、配置和操作復(fù)雜的計算和數(shù)據(jù)存儲基礎(chǔ)設(shè)施,通過可視化拖拽式函數(shù)流便能編排復(fù)雜業(yè)務(wù)場景。此外，函數(shù)還支持容器鏡像，簡化了 AI 推理 Serverless 化。

2.豐富的函數(shù)開發(fā)生態(tài)。

華為云 FunctionGraph 支持 GPU/NPU 能力，具備 GPU 虛擬化技術(shù)，從而提高 GPU 硬件資源的利用率并降低使用成本。

3.更低的資源成本，按需付費，提供工作負載感知智能推薦能力。

函數(shù)計算以 1ms 粒度按量計費，函數(shù)編排基于節(jié)點執(zhí)行次數(shù)計費

4.極致的冷啟動、彈性及更智能的調(diào)度能力。

資源池化預(yù)熱、分層預(yù)加載與彈性水位控制：通過單實例多并發(fā)、分層預(yù)熱提升性能、降低成本。函數(shù)實例百毫秒冷啟動時延，毫秒級彈性。

5.多維度結(jié)合的大文件加載加速能力。

高性能解壓縮轉(zhuǎn)換，降網(wǎng)絡(luò)開銷、CPU 解壓耗時。

共享內(nèi)存加速技術(shù)，降解壓 IO 開銷。

依賴包預(yù)加載，降低公共依賴的下載、解壓耗時

Serverless 代表現(xiàn)代化架構(gòu)的演進方向，與微服務(wù)將長期并存，在 5-10 年內(nèi)將成為云的首要交付模式。根據(jù) IDC 今天發(fā)布的《全球半年度公有云服務(wù)跟蹤報告》顯示，2020 年全球云計算市場同比增長 24.1%，收入總額達 3120 億美元。同時 Serverless 對客戶端還具有成本優(yōu)化、效率提升的商業(yè)價值。面對 Serverless 的發(fā)展大勢，華為云將打造全棧全場景的 Serverless 能力，并在音視頻、數(shù)據(jù)處理、物聯(lián)網(wǎng)、端測應(yīng)用等場景優(yōu)先推廣落地，圍繞這些場景進行打穿，推動相關(guān)高階服務(wù)進行 Serverless 化改造。今年，華為云在能力打造上將優(yōu)先推出函數(shù)計算 2.0、Serverless 應(yīng)用托管CAE、事件網(wǎng)格服務(wù) EventGrid、ADM 等；同時，也將在 Serverless 開發(fā)工具及可觀測性上構(gòu)建端到端的能力，并重點在前端 Trigger、后端 BaaS 上進行豐富，全面打造 Serverless 應(yīng)用生態(tài)。華為云 FunctionGraph 期待與更多的開發(fā)者見面。

華為云持續(xù)將最先進的技術(shù)提供給全球的客戶、伙伴和開發(fā)者，助力千行百業(yè)的客戶商業(yè)成功。

審核編輯 黃宇