LinkedIn在AI推进中保持数据中心容量不变
WIRED AI··作者 Paresh Dave
关键信息
LinkedIn的计划覆盖其上个月开始、到明年六月结束的财年，管理层表示已经把内存芯片价格上涨考虑进去。公司还称，其训练侧GPU利用率已超过95%，并正在优化训练与推理等不同工作负载之间的资源分配。
资讯摘要
LinkedIn表示，未来一年它将把算力规模和数据中心扩张大体维持不变，同时继续推出更多依赖算力的AI产品。公司称，过去六个月里，它把现有GPU的效率提升了约两倍，因此避免了在AI硬件上进行大额新增支出。文中的支出计划对应LinkedIn本月刚开始、到明年六月结束的财年。管理层也表示，他们已经把内存芯片价格上涨纳入考虑，不过他们承认，AI硬件需求变化很快，这一计划仍可能受到影响。LinkedIn负责工程的首席技术官Erran Berger表示，公司希望在尽量保持算力占用不增长的同时，把更多算力密集型功能投入生产环境。
负责基础设施的首席技术官Raghu Hiremagalur则说，公司的目标是谨慎花钱，并推动工程团队在开发新的生成式AI功能时更有创造性。他补充说，这些效率提升可能会随时间累积，等公司未来再次提高预算时，可以从数据中心扩容中获得更多收益。Hiremagalur还强调，以LinkedIn的规模来看，整整一年不增加存储和算力并不是一件小事。文章将LinkedIn与OpenAI、Meta和Google等公司形成对比，后者正在疯狂筹资并建设大型数据中心，但也面临芯片、劳动力和零部件短缺等问题。文中引用的一位风投人士认为，LinkedIn的做法说明AI正在从“试验阶段”转向“生产纪律”阶段，真正的胜负不只取决于谁花得最多，也取决于谁把基础设施运营得更好。
资讯正文
这些支出计算适用于 LinkedIn 本财年——该财年于上月开始，将于明年 6 月结束。公司表示，由于在过去六个月里找到了让现有 GPU 的使用效率提高一倍的方法，因此得以避免在 AI 硬件上大笔投入。LinkedIn 的计划仍有可能被打乱，因为 AI 对硬件的需求变化非常迅速，但高管们表示，公司已经把内存芯片价格飙升的因素考虑在内。
“我们设定的目标之一，是尽量让我们的算力占用保持持平，或者尽可能接近持平，同时把更多算力需求更高的东西推向生产环境，”LinkedIn 工程首席技术官 Erran Berger 说。“在今天这个世界里，说出这样的话，确实相当大胆。”
Berger 和 LinkedIn 基础设施首席技术官 Raghu Hiremagalur 表示，他们希望在支出上保持审慎，而新的约束将促使工程团队在开发 LinkedIn 计划推出的许多新的生成式 AI 功能时更有创造性。Berger 说，他相信效率提升会随着时间推移不断累积，最终使 LinkedIn 在未来再次提高预算时，能够从数据中心扩建中获得更多回报。
“我真的想特别强调一下，对于我们这样规模的公司来说，全年做到不增加任何存储和算力，这绝不是一件小事，但为了达到这一点，我们付出了大量工作，”Hiremagalur 说。
像 OpenAI、Meta 和 Google 这样的公司正在竭尽所能筹措资金，并以出人意料的合作方式联合起来，建造、配备并运营装满最新电脑芯片的大型数据中心。劳动力和零部件短缺拖慢了许多项目，不少企业还不得不限制客户对某些 AI 工具的使用。但外界也越来越多地质疑，对 AI 的持续投入是否可持续。LinkedIn 拥有超过 13 亿用户，或许是迄今为止首家公开谈及支出担忧、并逆着这股建设热潮行事的最大型企业。
Principal Venture Partners 管理合伙人、服务器制造商 HP 董事会成员 Songyee Yoon 说：“这对整个行业来说是一个令人鼓舞的信号。它表明，AI 正开始从试验阶段走向生产纪律。最终胜出的公司，不会只是那些在基础设施上花最多钱的公司。”
自有掌控
微软在 2016 年收购 LinkedIn 几年后，这家公司曾尝试迁移到母公司的 Azure 云服务，但把这个庞大的社交网络塞进通用数据中心并不符合经济性。Hiremagalur 说：“Microsoft Azure 当时增长得非常快，客户需求高得不得了，与此同时，我们也看到 LinkedIn 侧的增长在迅猛攀升。”
2022年，LinkedIn 把赌注完全押在了自己位于俄勒冈州、得克萨斯州和弗吉尼亚州的数据中心上。自有数据中心让 LinkedIn 能够对技术的每一个细节拥有更大的控制权，也让公司为适应一个新时代的现实做好了准备。大约在同一时期，LinkedIn 开始开发基于 AI 的助手，帮助用户撰写消息、寻找工作以及招聘候选人。这项工作并不便宜。Hiremagalur 说：“我们网站上的每一次查询，成本都在随时间上升。” 他补充称，LinkedIn 存储的数据量每年都在翻倍。“这不是一个可持续的状态。”
LinkedIn 采取措施，在 AI 流水线的每个阶段优化数据中心的使用效率，从训练模型到在用户查询时提供模型服务。Hiremagalur 的团队开发了测量工具，用来了解各个团队分别使用了多少计算和存储资源。随后，公司建立了一套系统，更高效地把项目分配给数据中心里的计算机，从而减少它们闲置的时间。“我们在训练侧的资源分配效率和 GPU 利用率，是我见过最好的，”Hiremagalur 说，并称使用率超过了 95%。
LinkedIn 还采用了蒸馏等技术，用较大的模型训练较小的 AI 模型。对于其职位推荐工具，一个单一模型从两个更大的模型中学习，既负责识别相关职位空缺，也负责预测哪些用户最有可能点击这些职位。Berger 说，虽然较小的模型运行成本更低，但质量并没有因此打折扣。“人们正在找到并发现他们之前没能成功找到的工作，因为这个模型非常善于理解”他们的意图，他说。
用于选择在用户动态信息流中展示哪些帖子的模型，最初运行成本也很高，但 Berger 说，LinkedIn 找到了一种办法，让它以“相当具有成本效益的方式”运行。他表示，公司做了数十项改进，例如简化模型训练、复用先前推荐中的信息，以及更好地平衡 CPU 和 GPU 之间的工作负载。
LinkedIn 甚至重构了部分运行在 Nvidia 处理器上的基础软件，使其能够处理原本超出设计范围的更大任务。公司还调整了其他软件，让任务在 CPU 上运行，而不是使用更昂贵、采购更困难且耗电更多的 Nvidia GPU。综合来看，LinkedIn 估计，过去 12 个月里的这些效率提升工作已为公司节省约 2400 万美元，相当于大约 1100 块 GPU 连续运行一年。
LinkedIn 的高管承认，对于一家年销售额达到 180 亿美元的公司来说，这些节省算不上什么大数目。但 Hiremagalur 说，“工艺”同样重要，“敏捷性”也重要，因为资源被释放出来了。工程师可以更快开始下一个项目，并在不增加 LinkedIn 计算资源占用的情况下整合更多 AI 功能。
伯杰认为，LinkedIn 在控制成本并为微软带来财务回报的同时，已经能够提供更好的职位和候选人匹配结果。他说：“如果可以的话，我们应该能够通过部署更大模型、进行更深层次的推理，并且以更低的成本来实现更高质量的交付。”
尽管支出保持不变，LinkedIn 的数据中心并没有因此停滞不前。公司已经承诺采购新服务器，以便在现有机器逐渐老化或在未来几个月内损坏时，继续升级设备。但公司也通过提前采购锁定了一些节省。希雷马古拉说：“所有这些硬件的成本都已经飙升。”他指出，过去几个月里，有些服务器的价格涨了三倍。“这简直太疯狂了。”
LinkedIn 推动效率提升，是更广泛趋势的一部分，这种趋势有时被称为“tokenomics”——即更深入地分析使用生成式 AI 工具的成本。Gartner 的咨询顾问奇拉格·德卡特帮助企业思考其 AI 云战略，他说：“企业正在从一个‘多买’时代，转向一个‘多做’时代。直到现在，口号一直是，多买才能省更多。但多买只会增加成本。”
德卡特说，他最近看到一些规模较小、对基础设施控制力不如 LinkedIn 的企业，也在设法削减成本。它们清理了闲置软件并裁减了员工，从所谓的“neoclouds”购买数据中心空间——这类服务可能比传统供应商更便宜——还针对不同项目尽可能采用最低成本的 AI 模型。
他多少有些担心，如果 LinkedIn 和其他公司设置过多财务约束，可能会碰到瓶颈，因为更大规模的算力和存储需求终究是不可避免的。德卡特说：“总有一天，某些东西必须让步。要么你必须在 AI 野心上做出妥协，要么你必须在冻结 IT 支出的要求上做出妥协。”
LinkedIn 并没有发誓将来不再扩张数据中心。不过，它正在改变基础设施的分配方式。希雷马古拉说，已经不再是凭借“一个胡乱的猜测”去估算团队在来年会使用多少计算资源。伯杰则说，LinkedIn 选择“拥抱混乱”，按季度逐步推进，同时把长期投资回报放在眼前。也许，支出趋平的状态不会像计划中那样持续太久。
来源与参考
收录于 2026-07-31