面对GPU资源利用率低、多用户抢占的难题，NVIDIA MIG技术提供了一套硬件级解决方案。它能将一块GPU安全分割为多个独立实例，每个实例都拥有专属的计算与显存资源，不仅保障了性能与隔离性，更显著提升了硬件利用效率，尤其适合开发测试与边缘计算等场景。
智能速览
MIG技术允许将一块物理GPU安全分割成多达7个独立的GPU实例。
提供硬件级资源隔离，确保不同实例间的应用安全与性能稳定。
显著提升GPU资源利用率，特别适用于AI模型训练与推理的多任务并行处理。
该技术自Ampere架构（如A100）起支持，并延续至Hopper架构（如H100、H20）。
可通过nvidia-smi命令行工具完成MIG实例的创建、管理与删除操作。
MIG实例支持在裸金属、虚拟机及Docker、K8S等容器化环境中部署使用。
精华内容
要真正掌握MIG，不仅需要理解其核心概念，更要了解如何动手配置。以下将从技术原理到具体操作，详细解析MIG的完整使用流程。
技术核心解析
MIG的核心在于对GPU硬件资源的精细化切分。一块GPU被划分为若干个GPU切片，每个切片由一个内存切片和一个SM切片组合而成。GPU实例是GPU切片与GPU引擎（如NVDEC、NVENC）的组合，是MIG配置的基础单元。
一个GPU实例还可以进一步划分为多个计算实例。计算实例拥有父实例中SM切片的子集，这才是操作系统和应用程序最终识别到的“GPU设备”。
例如，创建一个1g.5gb的GPU实例，需要一个计算切片和一个5GB的内存切片。这种层层划分的设计，实现了资源的灵活分配与物理级隔离。
硬件支持范围
MIG功能并非所有GPU都支持，它要求GPU的计算能力至少为8.0，即从NVIDIA Ampere架构开始。这包括数据中心级的A100系列（40GB/80GB）、H100系列（80GB/94GB）以及专为中国市场设计的H20（96GB）等型号。
这些高端型号通常支持将单卡切分最多7个MIG实例。部分专业卡如RTX PRO系列也支持MIG，但最大可切分实例数较少，例如RTX PRO 5000最多支持2个。用户在规划前需确认自己的GPU型号和规格。
实例配置实战
配置MIG实例主要通过nvidia-smi命令行完成。首先，需要为目标GPU开启MIG模式，命令为 `nvidia-smi -i [GPU_ID] -mig 1`。随后，通过 `nvidia-smi mig -lgip` 查询当前GPU支持的GPU实例配置文件。
接着，使用 `nvidia-smi mig -cgi [profile_ID]` 创建一个GPU实例（GI）。创建GI后，还需在其基础上创建计算实例（CI），这才是最终可用的设备。通过 `nvidia-smi mig -lcip` 查看CI配置，并用 `nvidia-smi mig -cci` 命令完成创建。整个过程逻辑清晰，但需注意资源分配的合理性。
容器化应用
在Docker等容器化环境中使用MIG设备非常方便。通过在docker run命令中添加 `–gpus` 参数，可以精确指定要使用的MIG设备。例如，使用 `–gpus ‘“device=0:0”’` 即可让容器独享GPU 0上的第一个MIG设备。
该参数同样灵活，支持指定多个MIG设备，甚至混合指定物理GPU和MIG设备，如 `–gpus ‘“device=0:0,1:0,2,3”’`，实现了容器内GPU资源的精细化调度和管理，为微服务架构下的AI应用部署提供了极大的便利。
NVIDIA MIG技术通过硬件级切分，为GPU资源的高效利用和多租户隔离提供了坚实基础。掌握其配置与使用，对于最大化AI基础设施投资回报至关重要。在算力需求日益增长的今天，这种精细化资源管理方式，会成为未来数据中心的标准配置吗？
