Amazon SageMaker HyperPod Spaces 现可直接在 SageMaker Studio 中管理
告别命令行：HyperPod Spaces 管理迎来图形化界面
对于使用 Amazon SageMaker HyperPod 进行基础模型训练和推理的团队来说，一个长期存在的效率瓶颈正在被打破。AWS 近日宣布，用户现在可以直接在 SageMaker Studio 的用户界面中，创建和管理运行在 HyperPod EKS 集群上的 SageMaker Spaces。这意味着数据科学家和机器学习工程师无需离开浏览器，也无需使用命令行工具，即可在几秒内启动 JupyterLab 和 Code Editor 开发环境。
背景：从 CLI 到可视化管理的演进
SageMaker HyperPod 是 AWS 专为大规模基础模型训练和推理打造的基础设施，通过 Amazon EKS 编排，团队可以在数百个加速器上运行分布式训练作业，并享有内置的弹性和自动故障恢复能力。今年早些时候，AWS 推出了 SageMaker Spaces for HyperPod，这是一个附加组件，允许开发者在 HyperPod EKS 集群上直接创建交互式开发环境。其核心价值在于，组织可以让交互式工作负载与训练作业、模型部署在同一套基础设施上并行运行，并支持 分数 GPU 分配，从而最大化 GPU 投资回报。
然而，此前创建和管理 Spaces 主要依赖 HyperPod CLI 或 kubectl 命令。虽然这种方式为基础设施管理员提供了强大而精细的控制，但对于偏好可视化界面的数据科学家来说，操作门槛较高。
新功能：Studio 中的完整管理界面
此次更新在 HyperPod 集群详情页中新增了 IDE and Notebooks 标签页，提供了一个完整的 Space 管理用户界面。主要能力包括：
- 创建 Space：通过引导式表单配置计算资源、命名空间、存储、HyperPod Task Governance 计算配额管理以及镜像设置。
- 查看所有 Space：在可搜索的表格中查看名称、应用类型、状态、访问类型、存储、GPU 和 vCPU 分配情况。
- 启动和停止 Space：一键操作，方便在 Space 闲置时释放计算资源。
意义与影响
这一更新显著降低了使用 HyperPod 进行交互式开发的复杂度。数据科学家不再需要记忆 CLI 命令或依赖 kubectl 配置，就能快速获得开发环境，将更多时间投入到模型开发本身。对于已经采用 HyperPod 进行大规模训练的企业来说，这有助于提升 GPU 资源利用率，并让更多团队成员能够自助式地使用高性能计算资源。
从行业趋势看，AI 开发工具正从“基础设施为中心”向“开发者体验为中心”转变。AWS 此次将 HyperPod Spaces 的管理能力集成到 Studio，正是这一趋势的体现。不过，目前该功能主要面向已使用 SageMaker Studio 和 HyperPod 的用户，对于尚未部署这些服务的团队，仍需先完成底层基础设施的搭建。
