亚马逊AWS实现10万节点Kubernetes集群，突破AI训练规模化瓶颈 亚

亚马逊AWS实现10万节点Kubernetes集群，突破AI训练规模化瓶颈 亚马逊AWS近日宣布其Amazon EKS（Elastic Kubernetes Service）实现重大突破，单集群可支持最多10万个节点，容量较之前提升10倍。这一进展极大推动了AI与机器学习工作负载的扩展能力，使得单一Kubernetes集群可调度高达160万个自研Trainium芯片或80万个NVIDIA GPU，为万亿参数级大模型的训练与推理提供底层支持。 通过重新设计Kubernetes核心架构，AWS在保持兼容性的同时实现了这一规模化目标。关键创新包括将etcd共识机制由Raft迁移至自研Journal系统，提升多可用区数据复制效率，并将存储全面转向内存（tmpfs），显著提高读写吞吐与故障恢复速度。 亚马逊借此进一步巩固其全栈AI战略布局：从自研AI芯片（Trainium/Inferentia）、大规模算力集群，到高效编排服务，形成闭环，降低超大模型训练成本、提升资源利用率，为AI开发提供企业级、高可扩展的云原生基础设施。这一架构革新不仅简化多类型任务调度与管理，更强化了AWS在高端AI算力市场的领导地位。