2025年10月22日，Ray 正式加入隶属于 Linux 基金会的 PyTorch 基金会。Linux 基金会是众多基础架构项目的摇篮，其中包括 Kubernetes、PyTorch 以及 vLLM。
过去一年间，Ray 的日下载量增长了近10倍。
Ray日下载
如今，Ray 支撑着全球数十亿美元的年度计算消耗，并为各类人工智能工作负载提供动力。2025年的Ray Summit将邀请到以下众多企业分享他们的应用案例：
- 人工智能初创企业：xAI、Thinking Machines、Perplexity
- 成熟科技公司：Netflix、ByteDance、Apple、Tencent、Alibaba
- 大型企业：JPMorgan、BMW、Bridgewater、Workday
早期发展
我们在加州大学伯克利分校启动了 Ray 项目。当时作为从事人工智能研究的研究生，我们需要将算法扩展到 CPU 和 GPU 集群上运行，却发现自己大部分时间都在搭建基础设施，以解决分布式系统在扩展过程中面临的难题（如可靠性、成本、性能问题）。
从项目伊始，我们就致力于开发实用的开源软件。实验室前辈们开发 Apache Spark的经历，也给了我们极大的启发。
2019年，我们成立了 Anyscale 公司，旨在对 Ray 进行开发并推动其商业化。但在当时，仅有早期先行者存在大规模使用需求。蚂蚁集团（Ant Group）是 Ray 首个重要的生产环境用户，Uber 和 Pinterest 随后也加入了这一行列。然而事实上，那时绝大多数企业尚未有对人工智能计算进行扩展的需求。
随着生成式人工智能（generative AI）、大型语言模型（LLMs）以及如今推理模型（reasoning models）的出现，一切都发生了改变。到2025年的今天，对计算扩展的需求已十分明确，而且当前人工智能工作负载扩展所面临的软件工程挑战，远比我们启动 Ray 项目时更为艰巨。
回归初心
从某种程度而言，我们的发展仿佛画了一个圈。最初，我们将 Ray 定位为通用框架（其核心是一个 actor 框架），但我们首个探索的应用场景却是强化学习。在 Ray 的原始论文中，我们就以强化学习为例，展示了 Ray 的优势。当时我们之所以聚焦强化学习，是因为团队成员本身就在从事该领域研究（如 TRPO 、RLlib），而且人工智能领域的很大一部分研究者都在专注于让人工智能玩 Atari 游戏，以及在 Mujoco 等物理模拟器中实现运动控制学习。不过，那一轮围绕强化学习的热潮相对孤立，并未转化为广泛的实际应用。
如今，借助在构建推理模型和塑造智能体行为方面的成功，强化学习迎来了强势回归。目前，几乎所有用于大型语言模型训练后优化的开源强化学习框架，都是基于Ray 构建的。
PyTorch 基金会
在基础设施软件领域，开源模式始终占据优势。随着人工智能计算软件栈的逐步形成，该软件栈的每一层都将拥有一套开源标准。其中，PyTorch 是主流的深度学习框架，Kubernetes 是主流的容器编排工具，而我们正致力于将 Ray 打造为开源的分布式计算引擎。
过去一年，Ray 的采用率呈爆发式增长。如今 Ray 选择加入 PyTorch 基金会，核心原因在于我们正在构建一个全球性的贡献者社区。当前，对计算扩展的需求仍在不断增长，我们计划加大投入，围绕 Ray 打造开源社区，以满足人工智能领域快速演变的需求。
加入 Ray 社区
这只是一个开始。
- 2025年11月3日至5日，来旧金山参加 Ray 峰会，与社区成员面对面交流
- 报名参加全新的“Ray 入门”课程
- 前往 GitHub 为 Ray 项目贡献代码
- 加入 Ray Slack 社区
未来，我们将携手共进，继续打造开放化、社区驱动的人工智能基础设施未来。
