اوبر با معرفی «استک رشد صفر» معماری زیرساخت خود را بازتعریف کرده است. این راهکار با جدایی کامل افزایش ظرفیت سرورها از تقاضای تجاری، به این شرکت امکانمیدهد حجم سختافزار فیزیکی را کاهش دهد بدون آنکه قابلیت مقیاسپذیری خدمات خدشهدار شود. محور اصلی این گذار، اولویت دادن به بهینهسازی خودکار زمان اجرا و مدیریت دقیق چرخه حیات مدلهای زبانی است که سربار روشهای سنتی گسترش منابع را به حداقل میرساند.
چرخه حیات پویا در زبان Go و نجات ۷۰ هزار هسته پردازنده
یکی از ارکان اصلی این معماری، بازنگری عمیق در عملکرد زمان اجرای زبان برنامهنویسی Go است. تیم مهندسی اوبر متوجه شد که تنظیمات ایستای جمعآوری زباله قادر به مدیریت سرویسهایی با پروفایلهای حافظه کاملاً نامنظم (بین 100 مگابایت تا 1 گیگابایت) نیست. در پاسخ، کتابخانه GOGCTunner توسعه یافت. این ابزار با یکپارچهسازی مستقیم با محدودیتهای حافظه cgroup و نظارت لحظهای بر استفاده از اشیاء فعال، مقدار پارامتر GOGC را به صورت خودکار تنظیم میکند. این پارامتر تعیینکننده فاصله زمانی بین دو دوره پاکسازی حافظه بر اساس رشد هیپ است. نتیجه این خودکارسازی بازگرداندن 70 هزار هسته پردازنده به چرخه عملیاتی در 30 سرویس حیاتی اوبر بود. البته این رویکرد جایگزین تنظیمات ثابت با یک حلقه کنترلی پیچیده است که باید اندازه هیپ را در 1.25 برابر مقدار اشیاء فعال نگه دارد و همزمان از آستانه 70 درصدی اشغال حافظه تجاوز نکند تا از خطرات OOM جلوگیری کند. برای آشنایی بیشتر با مکانیسمهای مدیریت حافظه در سیستمعاملهای مدرن، میتوانید به داکیومنتهای رسمی مدیریت منابع در لینوکس مراجعه کنید.
ادغام هوش مصنوعی مولد در خطوط تولید کد
فراتر از بهینهسازی زیرساخت، اوبر هوش مصنوعی مولد را به طور عمیق در چرخه حیات توسعه نرمافزار خود ادغام کرده است. ساختار پیادهسازی شامل چهار لایه استراتژیک است:
- لایه پلتفرم: استفاده از Michelangelo AI به عنوان دروازه مدیریت مدل
- لایه زمینه: بهکارگیری دروازه MCP برای تزریق کدهای منبع داخلی
- لایه تخصصی: استقرار عاملهای پسزمینهای مانند Minion و Shepherd
- لایه بازبینی: استفاده از ابزارهای uReview و Code Inbox
پذیرش گسترده این ابزارها با آمار قابل توجهی همراه بوده است. 92 درصد از مهندسان به صورت ماهانه از این عاملها استفاده میکنند و 31 درصد از کدهای جدید مستقیماً توسط هوش مصنوعی نوشته شدهاند. ابزار Autocover نیز به تنهایی ماهانه بیش از 5000 تست واحد تولید میکند. با این حال، پذیرش شتابان هزینههای پنهانی به بار آورد. مدلهای صورتحسابگذاری مبتنی بر توکن، که بخش جداییناپذیری از اکوسیستم پروتکل MCP هستند، باعث شدند هزینههای مرتبط با هوش مصنوعی از سال 2024 تا امروز 6 برابر شوند و میانگین هزینه ماهانه هر توسعهدهنده را به 2000 دلار برسانند.
ترمز هزینهها و بازتعریف معیارهای موفقیت
اوبر برای مهار این انفجار هزینهای، مسیر پذیرش بیقید و شرط را متوقف کرده و چارچوب حاکمیت هزینه را جایگزین آن کرده است. سقف مصرف هوش مصنوعی اکنون به 1500 دلار در ماه برای هر برنامهنویس محدود شده است. همزمان، بررسیهای دقیق برای سنجش کیفیت خروجیها آغاز شده است. تیمها از پیگیری صرف هزینههای تجمعی به سمت شاخصهای ریزمقیاس حرکت کردهاند. به جای تکیه بر نسبت درآمد به نیروی کار، معیار «نسبت کیفیت خالص کد» تعریف شده که فرکانس هتفیکسهای پس از انتشار در کدهای تولیدشده توسط هوش مصنوعی را با نمونههای انسانی مقایسه میکند. همچنین معیار «کارایی محاسبه به ازای هر قابلیت جدید» به سران مهندسی اجازه میدهد تا بسنجند آیا سربار ناشی از کدهای خودکار با اهداف پایداری بلندمدت همسو است یا خیر. این رویکرد تضمین میکند که بهینهسازی زیرساخت همواره در هماهنگی کامل با تحویل قابلیتهای واقعی باقی بماند.
آینده توسعه نرمافزار در گرو تعادل میان سرعت تولید کد با هزینههای پنهان هوش مصنوعی است. اوبر با اجرای این مدل، ثابت میکند که بدون مدیریت دقیق معیارهای عملیاتی و چارچوبهای حاکمیتی، بهرهوری هوشمند میتواند به یک چالش مالی تبدیل شود. این مسیر نقشهراه روشن برای سایر شرکتهای فناوری در جهت گذار از پذیرش کورکورانه ابزارهای زبانی به سمت استقرار پایدار و مقرونبهصرفه است.
