在 SageMaker Studio 中直接管理 Amazon SageMaker HyperPod Spaces
摘要
AWS 为 SageMaker HyperPod 推出新的 SageMaker Studio 管理能力,让数据科学家无需命令行即可在浏览器中创建、配置、启停并打开 HyperPod 上的开发空间。
核心要点
- HyperPod 集群详情页新增「IDE and Notebooks」标签页,提供创建、配置、启动、停止和打开 Spaces 的完整图形界面,日常 Space 操作不再需要 CLI 工具
- 创建 Space 时可通过引导式表单单次配置计算资源、命名空间、存储、镜像设置,以及用于计算配额管理的 HyperPod Task Governance
- Space 列表以可搜索表格呈现名称、应用类型、状态、访问类型、存储、GPU 与 vCPU 分配等字段
- 可直接在浏览器中打开 JupyterLab 或 Code Editor,也可通过 VS Code 等自选远程 IDE 连接
- 组织可通过 fractional GPU 分配,让交互式工作负载与训练作业、模型部署运行在同一套基础设施上,从而提高 GPU 投资利用率
原文佐证
- Data scientists and machine learning (ML) engineers can now launch JupyterLab and Code Editor environments on HyperPod clusters without leaving their browser or using command-line tools, reducing the time from cluster access to productive development to a few clicks.
- Organizations could then maximize their GPU investments by running interactive workloads alongside training jobs and model deployment on the same infrastructure, with support for fractional GPU allocations.
- Previously, creating and managing Spaces relied primarily on the HyperPod CLI or kubectl commands.
AI 洞察
这是云厂商把 Kubernetes 底层复杂性进一步封装的又一步:AI 基础设施的竞争正从「有多少 GPU」转向「开发者多快能用上这些 GPU」。交互式开发与训练、推理混部在同一集群并支持 GPU 分片,说明提升利用率已成为企业 AI 成本控制的核心手段,而非可选优化。控制平面被并入既有 IDE 入口,也意味着独立 MLOps 工具在通用场景下的生存空间将继续被云平台挤压。