Amazon Web Services در 18 نوامبر 2026 اعلام کرد که Lambda اکنون توابع رویدادمحور را روی نمونههای EC2 سری G مجهز به GPU اجرا میکند. این قابلیت امکان اجرای استنتاج هوش مصنوعی، تبدیل قالب ویدئو، رندر سهبعدی یا شبیهسازیهای علمی را بدون نیاز به تهیه سختافزار یا نصب درایور فراهم میکند. Lambda ایمیجهای کانتینری آمادهای با چارچوبهای پرکاربردی مانند PyTorch، vLLM و SGLang ارائه میدهد که میتوانید آنها را گسترش دهید یا ایمیج خودتان را به کار ببرید. هر تابع میتواند تا 32 GB فضای ذخیرهسازی موقت NVMe داشته باشد و مدلهای حجیم را مستقیماً از S3 بهصورت تنبل بارگذاری کند تا زمان راهاندازی پایین بماند.
نحوه کار سرویس
وقتی یک تابع شتابگرفته با GPU میسازید، Lambda نمونه مناسب سری G را در حساب شما راهاندازی میکند (برای مثال G4dn با NVIDIA T4 یا G5 با A10G) و سیستمعامل، وصلههای درایور و بررسی سلامت را مدیریت میکند. در هر محیط اجرایی، چندین فراخوانی بهطور همزمان اجرا میشوند و Lambda نمونههای زیرساخت را بر اساس میزان استفاده از GPU، مصرف CPU و تعداد درخواستهای همزمان مقیاسبندی میکند. میتوانید یک ارائهدهنده ظرفیت شامل هرکدام از خانوادههای GPU پشتیبانیشده انتخاب کنید و حتی مقیاسبندی تا صفر را فعال کنید تا برای ظرفیت بیکار هزینه نپردازید. قیمتگذاری بر اساس نرخ استاندارد EC2 On-Demand، بهعلاوه 9.75 % هزینه مدیریت و $0.20 بهازای هر یک میلیون درخواست است.
اهمیت این قابلیت در حال حاضر
پیش از این، توسعهدهندگان باید خوشههای GPU خود را نگهداری میکردند یا از سرویسهایی مانند SageMaker استفاده میکردند که به راهاندازی بیشتری نیاز دارند. با آوردن پردازش GPU به مدل بدونسرور، Lambda به تیمها اجازه میدهد با همان بیش از 200 منبع رویدادی AWS که برای توابع معمولی استفاده میشود، یک مرحله GPU به جریان کاری رویدادمحور اضافه کنند. این کار سربار عملیاتی را کاهش میدهد و نمونهسازی یا استقرار مدلهای کوچک تا متوسط، خط لولههای پردازش رسانه یا کارهای شبیهسازی را آسانتر میکند؛ کارهایی که در واکنش به بارگذاری در S3، پیامهای SQS یا فراخوانیهای API اجرا میشوند.
چرا مهم است
برای توسعهدهندگان، گزینه جدید GPU یعنی میتوانند بدون خرید یا مدیریت سختافزار، پردازش پرقدرت را به خط لولههای بدونسرور فعلی اضافه کنند. شرکتها میتوانند با ابزارها و منابع رویدادی آشنای Lambda، استنتاج هوش مصنوعی یا پردازش ویدئو را با هزینه کمتر و سرعت بیشتر آزمایش کنند.