如今，人工智能已經邁入大模型時代！這時候，算力就像是超級引擎，驅動著創新一路前行。對于一個 AI 開發團隊來說，算力資源怎么分配太重要了，直接決定投入產出比。不管是在開發團隊，還是高校科研，算力資源的使用和分配常常讓人頭疼，制約 AI 開發和研究的效率。

從痛點出發：算力資源在團隊協作中面臨著種種難題

在高校的 AI 教學中，多個班級的學生同時需要使用 GPU 資源進行實驗。然而，有限的硬件資源無法支持全部任務同時運行，導致任務只能長時間排隊等待。

某數據科學團隊需要對小數據集進行簡單模型測試。按傳統方法，每次任務都需要整機資源，這就導致大量 GPU 算力閑置，白白浪費。

這些場景并不罕見，傳統資源應用模式下，痛點是一抓一大把：

資源分配不均：GPU 卡數量有限，無法分配給每個人

隨著 AI 技術的普及，教學和科研對 GPU 資源的需求呈爆發式增長。有限的硬件設備無法滿足大量任務同時運行，資源爭搶成為常態，導致任務排隊嚴重、效率低下。

資源利用率低：小任務占用大資源

在實驗或小規模訓練任務中，一張強大的 GPU 卡可能只使用了極小一部分算力或顯存，而剩余資源則處于閑置狀態，造成了硬件的嚴重浪費。

資源配置單一：多場景使用同一規格算力資源

在開發團隊中，不同任務對于算力資源的需求不同。傳統的固定資源配置以通用方式面向所有任務，結果常常是任務和資源不匹配。

專屬資源組的多、快、好、省四大優勢

這些問題不光困擾著 AI 開發者，對教學和科研的進程也帶來了深遠影響?；?AI 智算平臺（coreshub.cn）的專屬資源組，提供專屬計算節點、團隊資源共享和算力切分等功能，為了解決這些痛點持續升級，讓資源管理更加精準高效，讓用戶從繁瑣的計算資源困局中解脫出來。

精準資源分配，靈活應對多種研發需求

用戶申請專屬計算節點，配置資源組分配給團隊算法工程師，并支持從單卡、多卡、GPU 切分的資源顆粒度配置。單卡多用戶多場景的計算服務也能輕松支持。

批量啟動環境，提高科研效率

集成容器算力調度和自定義鏡像倉庫，支持常用開發框架、高性能網路和存儲自動掛載。管理員僅需簡單操作分配資源，算法工程師即可秒級得到開發環境。

智能調度策略，提高資源利用率

可分配專屬計算池，設置優先級任務調度。算法工程師僅需提交計算任務，任務一得到資源就自動運行，避免資源空閑，加速研發產出。

動態擴展，拒絕浪費

用戶可以根據實際情況，按需購買專屬計算節點再進行分配。還能根據任務負載調整節點數量，靈活擴縮容，更大化資源利用率，同時支持按需、包月包年計費模式。

專屬資源組使用指南

1.創建專屬資源組

用戶可通過創建專屬資源組，在資源組內實現資源的分配利用，支持創建容器實例或分布式任務、推理任務時選擇該資源組。

2.申請專屬計算節點

用戶可申請獨占資源的計算節點，并按需或包年包月多種方式租賃，把申請的計算節點添加在資源組中，即可查看資源利用率和分配情況。

3.調度配置

管理員(主賬戶)可以對資源組配置算力顆粒度的調度，配置后用戶或子賬號可創建相應規格的實例使用，提供以下四種調度策略：

?通用調度：將計算節點配置成 1卡，多卡，多機多卡分配給用戶使用，系統自動調度分配資源。

?共享調度：共享 GPU 的應用場景是多個容器實例（Pod）調用同一個 GPU 卡使用。

?顯存切分：將顯存切分使用，如 80G 顯存，可按照 10G、20G、40G進行分配，可根據任務定制顯存規格。

?CPU 調度：只配置 CPU 資源的使用規格，可正常進行 CPU、內存調度，合理按照 CPU、內存比例分配。

4.子賬號分配資源

管理員（主賬號）可以為團隊成員創建子賬號，并給把資源組下的計算資源共享給任意子賬號。

管理員（主賬號）可以為子賬號進行精細化的資源分配，創建不同配額。

5.團隊內成員使用方式

團隊內成員可以登錄子賬號，在資源可以使用范圍內使用管理員（主賬號）共享的資源，支持使用管理員創建的規格或自定義規格使用。

6.管理員統一管理、查看資源

管理員（主賬號）可以管理、查看資源在子賬號下不同的使用情況與使用狀態。

基石 AI 智算平臺為您打造一個高效、穩定、安全的 AI 計算環境。

趕緊登錄平臺，開啟專屬資源組，給 AI 項目注入滿滿活力吧！