Ray 2.58 推出支持本地 gVisor 沙盒的可扩展 AI 工作负载功能

Ray 是一个用于扩展 Python 和 AI 应用程序的开源分布式计算框架，其最新版本 Ray 2.58 于 2026 年 8 月 25 日发布，推出了本地 gVisor 沙盒功能。这一功能将可扩展的隔离环境直接集成到 Ray 集群中，特别为需要在安全隔离环境中执行不可信模型生成代码的强化学习（RL）工作负载量身定制。

在此更新之前，使用 Ray 进行智能代理强化学习工作负载的团队通常依赖外部沙盒提供商或构建自定义沙盒系统。而现在，通过利用 Google 开源的 gVisor 运行时，本地集成简化了这一过程，为用户提供安全、轻量的执行环境。据 Ray 的开发者称，这种架构通过使用 Ray 的现有 API 实现沙盒创建、资源分配和扩展，降低了管理大规模 AI 工作负载的操作复杂性。

关键特性与可扩展性

新实现的核心在于 Ray 原生的 API 和运行时原语。用户可以通过 OCI 容器镜像创建 gVisor 沙盒，执行命令、传输文件并扩展环境——所有这些都通过 Ray 的分布式控制平面进行管理。这些沙盒被视为 Ray Actor，能够无缝集成到平台的编排和自动扩展功能中。

在与 Google 的合作中，此架构已在规模上进行了测试。在 Google Kubernetes Engine (GKE) 上，Ray 能够在数千个节点上仅用 20 秒就部署 100,000 个隔离沙盒。这种可扩展性对 RL 工作负载来说是一大优势，因为这些工作负载通常需要同时运行数千个环境，并且频繁地创建和销毁。

为何选择 gVisor？

选择 gVisor 作为隔离层的原因在于其能够以最小的开销提供对不可信代码的强大安全性。与传统容器不同，gVisor 在用户空间实现了 Linux 系统调用接口的很大一部分，在工作负载与主机内核之间创建了额外的边界。这使其特别适合于可能试图突破沙盒安全性的 AI 模型环境。此外，gVisor 支持亚秒级启动时间并占用极少资源，从而确保了高需求工作负载的高效扩展。

行业变化中的战略时机

Ray 2.58 的发布紧随 Anyscale 的重大进展之后。Anyscale 是商业化 Ray 的公司，其在 2026 年 7 月 30 日宣布被 Nscale 收购。双方承诺将增加对 Ray 的投资，并在 PyTorch 基金会的管理下保持其开源治理。这项收购凸显了 Ray 作为 AI 生态系统基础技术的重要性。通过本地嵌入沙盒功能，Ray 巩固了其作为扩展机器学习和强化学习工作负载综合平台的地位。

对 AI 工作负载的广泛影响

Ray 的新沙盒功能与 AI 开发中的更广泛趋势保持一致，包括对安全、可扩展环境的需求，以支持编码代理、自主系统和其他智能代理工作负载。该集成消除了对独立沙盒服务的需求，并简化了隔离执行环境的编排。基于 Ray 并广泛用于强化学习的框架 RLlib 将从这些增强功能中受益。

Ray 2.58 还引入了高级功能，比如网络隔离、文件传输和可定制的沙盒权限，开发者可以针对特定用例微调其环境。例如，网络设置可以从完全隔离（仅限回环）到允许互联网访问以进行 API 调用和软件包安装的配置。

展望未来

尽管沙盒功能目前处于实验阶段，Ray 团队已经规划了进一步开发的计划。即将推出的增强功能可能包括 GPU 支持、用于沙盒管理的 REST API，以及针对对抗性 AI 工作负载的改进安全配置。这些进步可能使 Ray 成为企业应对复杂 AI 挑战的重要工具。

对于有兴趣探索新功能的开发者，Ray 沙盒功能从 2.58 版本开始可用。关于在 Kubernetes 集群上部署沙盒的文档和指南可以在 Ray 的官方网站上找到。社区反馈和贡献将在塑造此功能的未来中发挥关键作用。