奧丁丁新聞 OwlNews｜多元觀點。獨創你的輪廓

商傳媒｜責任編輯／綜合外電報導阿里巴巴集團（Alibaba Group Holding）已完成旗下遊戲部門靈犀互娛（Lingxi Games）的出售，並正積極將資源集中於人工智慧（AI）與雲端運算兩大核心業務。此舉象徵這家電商巨頭在中國市場（阿里巴巴的中國市場定位：這家總部位於中國的電商與科技巨頭）的戰略轉型，以深化其企業服務版圖。 根據《Simply Wall St》報導，阿里巴巴已將靈犀互娛出售給 Trustar Capital，這項交易符合該公司將資本導向優先成長領域的既有敘事。為了加強其在 AI 領域的投入，阿里巴巴正式推出了名為 HappyShrimp 的人工智慧音樂生成模型。這款模型連同其擴展的雲端服務，直接體現了阿里巴巴支援企業用戶的策略方針。 阿里巴巴對 AI 與雲端業務的承諾高達人民幣 3,800 億元，顯示其致力於深化企業應用案例，而非持有所有消費者娛樂資產。分析指出，儘管市場可能對 AI 支出增加導致的近期利潤壓力有所反應，但此舉能使阿里巴巴的業務組合更為精簡，有助於其 AI 和雲端業務的發展，並使市場更容易追蹤其成長潛力，抵銷當前在利潤率和自由現金流方面的風險。

記者鄧富珍／彰化報導1萬8千人齊聚彰化，中部全國供佛齋僧大會8/23登場，邀請十方信眾共襄盛舉。圖／彰化縣政府提供「115年中部全國供佛齋僧大會」將於8月23日在彰化縣立體育館舉行，預計吸引法師、信眾及義工超過1萬8,000人參與，近40位高僧大德蒞臨主持，並供養近6,000位僧

【Lai傳媒、記者爆料網 王傳文／綜合報導】日本人氣女優河北彩花要來台灣了！她將於9月20日登上billboard Taipei，舉辦「2026 河北彩花粉絲見面會『My Angel』in Taipei」，以「My Angel」為主題化身夢幻天使，除了準備全新舞台內容，也安排多項限定互動，與台灣粉絲近距離相見。

圖／示意圖商傳媒｜葉安庭／綜合外電報導隨著人工智慧（AI）技術的爆炸性成長，企業在擴展其複雜的 AI 工作負載時，面臨前所未有的技術挑戰。對此，容器（Container）技術——一種將應用程式及其所有依賴項封裝成單一可攜式單位的軟體虛擬化技術——正成為關鍵解決方案。 機器學習（ML）模型與其運行環境的依賴關係樹極為脆弱，一個 CUDA 版本不匹配或是不經意的程式庫更新，都可能在不通知的情況下破壞推論準確性，或是導致訓練任務崩潰。容器技術的優勢在於能將模型、其運行環境、Python 依賴項和配置打包成一個可攜式單元，確保環境一致性。而 Kubernetes（一個用於自動化部署、擴展和管理容器化應用程式的開源平台）則負責處理這些容器的營運管理。 Kubernetes 負責處理容器的營運管理，例如重新啟動失敗的 Pod（Kubernetes 中最小的可部署計算單元），在不同節點間分配負載，以及擴展複本。Google 曾以一個橫跨 65,000 個節點的 Google Kubernetes Engine 叢集進行基準測試，專門用於 AI 工作負載，展現了其大規模運算能力。 AI 工作負載主要分為訓練與推論兩大類。訓練任務（指透過大量資料來優化模型參數的運算過程）通常是爆發性、資源密集型且容許中斷的，往往需要使用高階繪圖處理器（GPU）運行數小時甚至數天。 相較之下，推論服務（指模型完成訓練後，用其來預測或分析新資料的過程）則對延遲性敏感，需要持續運行，通常在較小且成本較低的加速器上也能良好運作。 將訓練和推論的工作負載分開管理，能有效利用低成本的現貨實例（Spot instance，一種雲端服務供應商提供的備用運算資源，價格較低但可能隨時被收回）進行訓練，同時保持推論基礎設施的穩定性。報導指出，這種分離策略可節省高達 60% 至 70% 的運算成本。 針對 AI 工作負載中至關重要的 GPU 資源，輝達（NVIDIA）提供了一系列工具來優化 Kubernetes 中的管理。NVIDIA Container Toolkit 擴展了容器運行時，使其能夠將主機的 GPU 設備和驅動程式庫暴露給容器的隔離檔案系統，而無需將驅動程式直接內建到容器映像中。NVIDIA device plugin 則以 DaemonSet（一種確保所有或部分節點運行一個 Pod 副本的 Kubernetes 控制器）的形式部署在每個 GPU 節點上，將節點的 GPU 數量作為可分配資源（nvidia.com/gpu）暴露給 Kubernetes 調度器。如此一來，為 Pod 請求 GPU 資源就像在 resources.limits 區塊中指定 nvidia.com/gpu: 1 一樣簡單。 此外，NVIDIA GPU Operator 是一個可透過 Helm（Kubernetes 的套件管理工具）安裝的套件，負責處理 GPU 啟用堆疊，包括驅動程式管理、NVIDIA Container Toolkit 和 device plugin，甚至支援將單一實體 GPU 分割給多個 Pod 同時使用。 為確保最佳效率與成本效益，業界建議的基準架構包括：為訓練和推論任務使用不同的容器映像檔、依工作負載類型分離的節點池或叢集、透過 NVIDIA device plugin 暴露 GPU，以及使用 KServe 等模型服務層。KServe 透過客製化資源擴展 Kubernetes，專為模型服務設計，能處理自動擴展、健康檢查、金絲雀部署（Canary rollout，一種軟體部署策略，先將新版本推送到一小部分用戶，觀察其行為後再逐步擴大）以及縮放至零（指當沒有請求時自動關閉服務以節省資源）。早期實施這種工作負載分離，可避免失控的訓練任務佔用推論 Pod 的資源，並確保 GPU 的花費與實際使用情況相符。 Kubernetes 原生功能，如節點選擇器、汙點與容忍度，以及資源請求與限制，都能與 GPU 和模型生命週期結合運用。