El nombre de Stoica aparece en los artículos fundacionales de Spark (procesamiento distribuido de datos), Ray (Python distribuido para cargas de trabajo de ML) y el stack más amplio que vLLM usa para servir modelos de lenguaje de forma eficiente: artefactos que se han convertido en el sustrato de facto del ML en la industria. El patrón es consistente: diseñar un sistema alrededor de los cuellos de botella computacionales reales que afrontan investigadores e ingenieros, lanzarlo como open-source con una empresa comercial en paralelo y dejar que el ecosistema pruebe las decisiones de diseño. Para ai100, que ejecuta cientos de auditorías contra múltiples motores LLM, el lado de infraestructura que construyó el grupo de Stoica no es telón de fondo: es la capa que determina hasta qué punto se puede ejecutar de forma viable cualquier comparación de modelos a gran escala.

Vale la pena seguirlo cuando
se quieren entender las restricciones de infraestructura que dan forma a lo que la evaluación de LLM a gran escala puede hacer realmente, más allá del encuadre metodológico.
Temas
sistemas e infraestructura de ML distribuido (Spark, Ray, vLLM); economía e ingeniería del servicio de modelos a gran escala; patrón open-source más empresa comercial en infraestructura de ML.
Obras clave
Apache Spark (2010, cocreador); marco distribuido Ray (2018, codirector); contribuciones al stack de servicio eficiente vLLM (2023, en curso).