如今，人工智能已经迈入大模型时代！这时候，算力就像是超级引擎，驱动着创新一路前行。对于一个 AI 开发团队来说，算力资源怎么分配太重要了，直接决定投入产出比。不管是在开发团队，还是高校科研，算力资源的使用和分配常常让人头疼，制约 AI 开发和研究的效率。
从痛点出发：算力资源在团队协作中面临着种种难题
在高校的 AI 教学中，多个班级的学生同时需要使用 GPU 资源进行实验。然而，有限的硬件资源无法支持全部任务同时运行，导致任务只能长时间排队等待。
某数据科学团队需要对小数据集进行简单模型测试。按传统方法，每次任务都需要整机资源，这就导致大量 GPU 算力闲置，白白浪费。
这些场景并不罕见，传统资源应用模式下，痛点是一抓一大把：
资源分配不均：GPU 卡数量有限，无法分配给每个人
随着 AI 技术的普及，教学和科研对 GPU 资源的需求呈爆发式增长。有限的硬件设备无法满足大量任务同时运行，资源争抢成为常态，导致任务排队严重、效率低下。
资源利用率低：小任务占用大资源
在实验或小规模训练任务中，一张强大的 GPU 卡可能只使用了极小一部分算力或显存，而剩余资源则处于闲置状态，造成了硬件的严重浪费。
资源配置单一：多场景使用同一规格算力资源
在开发团队中，不同任务对于算力资源的需求不同。传统的固定资源配置以通用方式面向所有任务，结果常常是任务和资源不匹配。
专属资源组的多、快、好、省四大优势
这些问题不光困扰着 AI 开发者，对教学和科研的进程也带来了深远影响。基石 AI 智算平台（coreshub.cn）的专属资源组，提供专属计算节点、团队资源共享和算力切分等功能，为了解决这些痛点持续升级，让资源管理更加精准高效，让用户从繁琐的计算资源困局中解脱出来。
【多】精准资源分配，灵活应对多种研发需求
用户申请专属计算节点，配置资源组分配给团队算法工程师，并支持从单卡、多卡、GPU 切分的资源颗粒度配置。单卡多用户多场景的计算服务也能轻松支持。
【快】批量启动环境，提高科研效率
集成容器算力调度和自定义镜像仓库，支持常用开发框架、高性能网路和存储自动挂载。管理员仅需简单操作分配资源，算法工程师即可秒级得到开发环境。
【好】 智能调度策略，提高资源利用率
可分配专属计算池，设置优先级任务调度。算法工程师仅需提交计算任务，任务一得到资源就自动运行，避免资源空闲，加速研发产出。
【省】 动态扩展，拒绝浪费
用户可以根据实际情况，按需购买专属计算节点再进行分配。还能根据任务负载调整节点数量，灵活扩缩容，更大化资源利用率，同时支持按需、包月包年计费模式。
专属资源组使用指南
1.创建专属资源组
用户可通过创建专属资源组，在资源组内实现资源的分配利用，支持创建容器实例或分布式任务、推理任务时选择该资源组。
2.申请专属计算节点
用户可申请独占资源的计算节点，并按需或包年包月多种方式租赁，把申请的计算节点添加在资源组中，即可查看资源利用率和分配情况。
3.调度配置
管理员(主账户)可以对资源组配置算力颗粒度的调度，配置后用户或子账号可创建相应规格的实例使用，提供以下四种调度策略：
•通用调度：将计算节点配置成 1卡，多卡，多机多卡分配给用户使用，系统自动调度分配资源。
•共享调度：共享 GPU 的应用场景是多个容器实例（Pod）调用同一个 GPU 卡使用。
•显存切分：将显存切分使用，如 80G 显存，可按照 10G、20G、40G进行分配，可根据任务定制显存规格。
•CPU 调度：只配置 CPU 资源的使用规格，可正常进行 CPU、内存调度，合理按照 CPU、内存比例分配。
4.子账号分配资源
管理员（主账号）可以为团队成员创建子账号，并给把资源组下的计算资源共享给任意子账号。
管理员（主账号）可以为子账号进行精细化的资源分配，创建不同配额。
5.团队内成员使用方式
团队内成员可以登录子账号，在资源可以使用范围内使用管理员（主账号）共享的资源，支持使用管理员创建的规格或自定义规格使用。
6.管理员统一管理、查看资源
管理员（主账号）可以管理、查看资源在子账号下不同的使用情况与使用状态。
基石 AI 智算平台为您打造一个高效、稳定、安全的 AI 计算环境。
赶紧登录平台，开启专属资源组，给 AI 项目注入满满活力吧！
