谷歌云GKE动态切片正式可用：解耦TPU节点池，启动提速5倍

谷歌云（Google Cloud）于2026年11月10日宣布，其Kubernetes引擎（GKE）上的“动态切片”（Dynamic Slicing）功能正式可用（Generally Available）。该功能旨在解决大规模AI工作负载在张量处理单元（TPU）上运行时，物理硬件配置与逻辑计算拓扑紧密耦合导致的效率瓶颈。

在传统模式下，管理TPU容量需要为每种切片拓扑创建独立的静态节点池。这意味着当工作负载需求变化时，平台团队必须手动删除并重建节点池，不仅增加了复杂性，还导致单个硬件故障可能波及整个切片，形成巨大的故障域。GKE动态切片通过将物理硬件预配与逻辑切片形成解耦，利用TPU光路交换（OCS）技术，实现了更灵活的拓扑管理。

该功能主要包含两种模式：“超切片”（Super-slicing）和“子切片”（Sub-slicing）。超切片允许在调度时动态连接多个TPU立方体（每个立方体由16个虚拟机组成），以形成超出单个立方体规模的大型切片，满足大规模训练需求；子切片则能将单个预配的TPU立方体划分为多个独立的小型切片，允许多个工作负载在同一物理立方体内并发运行且相互隔离。这种机制消除了传统的“删除-创建”节点池循环，实现了零停机时间的拓扑敏捷性。

据谷歌云报告，相比静态节点池，动态切片可将AI工作负载的启动时间最多缩短5倍，因为系统可以从预配的节点池中即时组装逻辑切片，而无需等待新节点池部署。同时，由于故障被隔离在单个TPU立方体级别，且不健康立方体的替换仅需一到两分钟，工作负载的恢复速度提升了4.5倍。此外，该功能还支持部分健康节点池的预配，从而提高了整体集群的资源利用率。

对于依赖TPU进行大模型训练和推理的企业而言，这一更新意味着基础设施层能更好地适应模型架构的快速变化，降低了运维复杂度并提升了容错能力。不过，上述性能提升数据源自谷歌云的官方测试，实际效果可能因具体工作负载特征和环境配置而异。