Ray 是一个开源的分布式计算框架，专注于高性能、低延迟的并行和分布式计算任务。它由加州大学伯克利分校的 RISELab 开发，旨在简化分布式系统的构建，尤其在机器学习和人工智能领域表现突出。
Ray 解决了什么问题？
1.复杂分布式计算的抽象化
Ray 提供了简洁的 API（如 @remote 装饰器），允许开发者轻松将函数或类转化为分布式任务（Task）或参与者（Actor），无需深入处理底层分布式系统的复杂性（如节点通信、容错、调度等）。
2.低延迟与高吞吐场景
针对需要毫秒级延迟的任务（如强化学习中的环境模拟、实时推理），Ray 的动态任务调度和基于内存的共享机制优于传统的批处理框架（如 Spark）。
3.有状态计算的灵活支持
通过 Actor 模型，Ray 支持分布式有状态服务（如模型服务、参数服务器），弥补了 Spark 等无状态框架的不足。
4.机器学习全流程支持
Ray 生态集成了多个库（如 Ray Tune 超参调优、Ray Serve 模型部署、RLlib 强化学习），覆盖从训练到部署的全流程，减少多工具切换的复杂度。
Ray 的核心优势
1.Actor 模型
支持有状态计算（如参数服务器、实时推理服务），而 Spark 和 Dask 仅面向无状态任务。
2.动态任务图
任务依赖可实时生成，适合交互式工作负载（如强化学习中的环境交互），Spark 需预先定义静态执行计划。
3.共享内存与对象存储
通过 Plasma 对象存储实现零拷贝数据共享，加速任务间数据传输，减少序列化开销。
4.机器学习生态整合
提供 Ray Tune（分布式超参优化）、Ray Serve（模型部署）、RLlib（强化学习库）等工具，形成完整 ML 闭环。
