Долгое время NVIDIA Run:ai оставалась «черным ящиком» для многих организаций, стремящихся оптимизировать использование графических процессоров (GPU) в своих кластерах Kubernetes. Это был мощный, но проприетарный инструмент, доступный только через коммерческие лицензии и поддержку от NVIDIA. Однако 13 октября 2026 года ситуация кардинально изменилась. NVIDIA объявила о выпуске полной платформы Run:ai в качестве программного обеспечения с открытым исходным кодом (open source). Это не просто еще один релиз библиотеки — это фундаментальный сдвиг в экосистеме NVIDIA DSX AI Factory Platform, который дает разработчикам, платформерам и ИИ-инженерам прямой доступ к производственному уровню оркестрации ИИ-нагрузок.
Открытие исходного кода означает, что теперь каждая организация может не только использовать, но и изучать, модифицировать и интегрировать эти технологии в свои собственные решения. Это снижает барьер для входа в мир высокопроизводительного ИИ-инфраструктурного управления, позволяя быстрее реагировать на меняющиеся потребности бизнеса. В этой статье мы подробно разберем, что именно стало открытым, какие ключевые модули теперь доступны независимо, и как это повлияет на архитектуру ваших ИИ-фабрик, особенно в условиях, когда доступ к передовым технологиям становится критически важным фактором конкурентоспособности.
01Контекст: Почему NVIDIA Run:ai стала открытой?
За последние несколько лет NVIDIA Run:ai зарекомендовала себя как стандарт де-факто для запуска ИИ-нагрузок на Kubernetes в масштабах предприятия. Платформа динамически распределяет ресурсы GPU, управляет жизненным циклом задач — от обработки данных и обучения моделей до инференса — и значительно повышает общую эффективность использования дорогостоящего оборудования. Однако закрытость платформы ограничивала ее внедрение в некоторых сценариях, где требовалась глубокая кастомизация или интеграция с собственными внутренними инструментами.
Сделав Run:ai open source, NVIDIA расширяет экосистему DSX AI Factory. Теперь платформа становится открытым фундаментом, на котором партнеры и клиенты могут строить свои дифференцированные решения. Это позволяет быстрее выводить на рынок новые продукты, адаптированные под специфические нужды клиентов. Для команд, работающих в России или других регионах с особыми требованиями к суверенности ПО или локализации инфраструктуры, это открывает новые возможности: возможность самостоятельно аудировать код, устранять уязвимости и интегрировать решение в локальные контуры без зависимости от зарубежных облачных провайдеров.
02Модули открытой платформы: что внутри?
Открытие исходного кода не означает, что вы должны скачивать и разворачивать всю монолитную платформу сразу. NVIDIA выпустила несколько модульных компонентов, которые можно внедрять независимо друг от друга, в зависимости от конкретных потребностей вашей инфраструктуры. Эти компоненты образуют ядро Run:ai, но также могут функционировать как самостоятельные инструменты для решения узких задач.
1. KAI Scheduler: Движок планирования для GPU
KAI Scheduler — это нативный для Kubernetes планировщик, который лежит в основе всей платформы NVIDIA Run:ai. Проект выпущен под применимыми открытыми лицензиями. Это важный шаг, так как он гарантирует, что развитие планировщика будет происходить в открытом сообществе, а все улучшения будут доступны всем участникам.
KAI Scheduler специально разработан для работы с GPU-нагрузками в масштабах предприятия. Он решает сложные задачи, которые стандартный Kubernetes-планировщик не может обработать эффективно:
- Gang scheduling (групповое планирование): Задачи, состоящие из нескольких подов (например, распределенное обучение), планируются либо все вместе, либо не планируются вовсе. Это предотвращает ситуацию, когда часть подов запущена, а остальные простаивают в ожидании.
- Справедливое распределение (Fair-share): Поддержка квот и временного справедливого распределения ресурсов между командами, чтобы одна команда не монополизировала кластер.
- Учет топологии: Планировщик учитывает физическое расположение GPU (связь через NVLink, PCIe, разные узлы), чтобы минимизировать задержки при межпроцессорном взаимодействии.
- Поддержка Dynamic Resource Allocation (DRA): Современный подход к динамическому выделению ресурсов в Kubernetes.
Если у вас есть кластер с разнообразными ИИ-нагрузками, требующими справедливого доступа к ресурсам, KAI Scheduler можно развернуть отдельно, без всей платформы Run:ai. Это отличный выбор для команд, которым нужно только умное планирование, но не требуется управление жизненным циклом или квотирование на уровне организации.
2. GPU Fractioning Operator: Дробление GPU на уровне CUDA
Одной из самых востребованных функций NVIDIA Run:ai всегда была возможность дробления GPU (GPU Fractioning). Раньше это позволяло нескольким рабочим нагрузкам делить один физический GPU с жесткой изоляцией памяти. Теперь эта функциональность, ранее реализованная проприетарным способом, интегрирована нативно через CUDA 13.4.
GPU Fractioning Operator — это оператор Kubernetes, который позволяет использовать эту нативную возможность CUDA. Он обеспечивает:
- Жесткую изоляцию памяти: Драйвер CUDA устанавливает жесткий лимит памяти для каждой доли GPU. workload видит только ту память, которая ему выделена.
- Отсутствие предварительной настройки: Доли GPU можно запрашивать «на лету», без необходимости администратора заранее настраивать узлы.
- Видимость: Оператор предоставляет экспортер метрик, позволяющий отслеживать использование долей на уровне каждого пода.
Этот модуль особенно полезен для интерактивных ноутбуко
Источник: NVIDIA Developer ↗