NVIDIA acaba de dar un golpe de autoridad en el mundo del código abierto. La empresa liberó por completo su plataforma NVIDIA Run:ai bajo licencia Apache 2.0, poniendo en manos de los desarrolladores la programación de GPUs, la gestión de cuotas y el manejo de cargas de trabajo de producción para Kubernetes. Este movimiento consolida a Run:ai como pieza clave del ecosistema DSX AI Factory, permitiendo a los equipos de plataforma inspeccionar, bifurcar (forkear) y autohospedar el stack sin necesidad de una suscripción de pago.
Cuatro módulos para dominar el clúster
La liberación no es un simple volcado de código, sino una arquitectura pensada para la adopción modular. NVIDIA dividió el proyecto en cuatro componentes que los equipos pueden implementar de manera independiente, cada uno con un rol específico en la cadena de productividad de IA:
- KAI Scheduler: El motor de programación nativo de Kubernetes (proyecto Sandbox de CNCF). Soporta gang scheduling, fair-share basado en tiempo y conciencia de topología.
- GPU Fractioning Operator: Trae fracciones de GPU nativas de CUDA 13.4 a Kubernetes, imponiendo un límite estricto de memoria por carga de trabajo. Reemplaza al antiguo fraccionamiento propietario.
- KAI Resource Management: Añade la capa administrativa con proyectos, departamentos, cuotas y pools de nodos.
- Workload Map: Una librería en Go que describe tipos de cargas como PyTorchJob o RayCluster, funcionando sin conexión y sin gestionar colas.
Flujo de trabajo: cómo probarlo en tu máquina
Para los que disfrutan ensuciarse las manos, la guía de desarrollo local es sorprendentemente accesible. Todo se reduce a un único script, local-dev.sh, que compila unos 50 servicios en Go dentro de contenedores y levanta un clúster Kind de 5 nodos fijado en Kubernetes v1.32.5. Lo más interesante es que un operador falso simula 8 GPUs Tesla-A10, por lo que no necesitás hardware gráfico real para probar la plataforma.
El soporte abarca macOS y Linux (amd64 o arm64). En Linux vas a necesitar al menos 16 GB de RAM y 100 GB de disco, mientras que las máquinas virtuales de Podman en macOS requieren 12 GB de RAM. Si querés pasar a GPUs reales, el flag –gpu-operator activa el modo NVIDIA, aunque ahí sí vas a necesitar Linux, Docker y el NVIDIA Container Toolkit.
Más allá de un simple planificador
La principal diferencia con alternativas como Volcano, Kueue o Apache YuniKorn es el alcance. Mientras esos proyectos se centran puramente en la programación o el encolado de tareas, Run:ai ofrece una plataforma de gestión completa por encima de su scheduler, incluyendo una interfaz web, CLI, API REST y hasta un servidor MCP para asistentes de IA.
Además, el lanzamiento viene acompañado de proyectos adyacentes que potencian la productividad. Model Streamer, por ejemplo, transfiere los pesos del modelo directamente a la memoria de la GPU, logrando cargas de 3 a 6 veces más rápidas en máquinas virtuales H100 en Azure, manteniendo un rendimiento de 80 Gbps. En definitiva, NVIDIA acaba de democratizar una herramienta de nivel empresarial, aunque la edición comunitaria quede sin soporte oficial de la marca.