# Plataforma NVIDIA de código abierto Run:ai bajo Apache 2.0 para democratizar la programación de GPU de Kubernetes

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/es/article/nvidia-open-sources-run-ai-gpu-orchestration-platform-apache-2026-10-16-morni-es
Section: Software (https://technewslist.com/es/software)
Author: TechNewsList
Language: es
Published: 2026-10-16T06:51:23.239+00:00
Updated: 2026-10-16T06:51:23.424249+00:00

> NVIDIA lanza la plataforma de orquestación Run:ai completa bajo la licencia Apache 2.0 de código abierto, desbloqueando la segmentación de GPU fraccionaria nativa y la programación multiinquilino para Kubernetes.

## TL;DR
- NVIDIA anunció el lanzamiento completo de código abierto de la plataforma Run:ai bajo la licencia permisiva Apache 2.0.
- El lanzamiento incluye el programador KAI, el operador de fraccionamiento de GPU, el administrador de recursos y el mapa de carga de trabajo.
- Los desarrolladores empresariales obtienen división dinámica de GPU fraccional nativa de Kubernetes sin tarifas de licencia de propiedad.
- La iniciativa estandariza la cola de cargas de trabajo de IA multiinquilino en nubes privadas y clústeres de múltiples nubes.

## Key points
- La infraestructura central de Run:ai pasa a repositorios de código abierto gobernados por la comunidad como parte de la pila DSX de NVIDIA.
- La asignación dinámica de GPU fraccional permite múltiples cargas de trabajo de ajuste y inferencia de IA ligeras y simultáneas en un solo chip.
- KAI Scheduler presenta programación grupal avanzada, colas automatizadas de reparto justo y preferencia de carga de trabajo.
- Las empresas eliminan la dependencia de un proveedor al tiempo que mejoran las tasas de utilización del silicio gráfico desde un promedio típico del 30 % a más del 80 %.
- Las principales distribuciones de software nativo de la nube están integrando rápidamente a los operadores en el paquete de Kubernetes.

## Qué pasó

En un importante giro estratégico para la infraestructura de inteligencia artificial nativa de la nube, NVIDIA anunció el lanzamiento completo de código abierto de la plataforma Run:ai bajo la permisiva licencia de software Apache 2.0. El lanzamiento abarca la arquitectura operativa completa de la suite de orquestación de cargas de trabajo basada en Kubernetes, que NVIDIA adquirió en 2024 para optimizar la utilización de la unidad de procesamiento de gráficos empresariales.

Distribuido como componentes modulares que se pueden implementar de forma independiente dentro de la plataforma NVIDIA DSX AI Factory, la versión de código abierto pone cuatro sistemas fundamentales a disposición de la comunidad global de desarrolladores de forma gratuita: KAI Scheduler, GPU Fractioning Operador, KAI Resource Management y Workload Map.

![Código fuente escrito en el lenguaje de programación C en un editor.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792128431696-afhwdc-nvidia-open-sources-run-ai-gpu-orchestration-platform-apache-2026-10-16-morning-inside-1-0cb0fe2f0b.webp)
*Los operadores de programación del sistema de bajo nivel optimizan la gestión de la memoria a nivel del kernel en los chips gráficos agrupados.*

Al eliminar las barreras de las licencias de propiedad, NVIDIA permite que cualquier organización, desde nuevas empresas en etapa inicial hasta laboratorios de investigación nacionales soberanos, implemente particiones de GPU fraccionarias dinámicas de nivel empresarial y colas de trabajos multiinquilino en clústeres de Kubernetes estándar.

## Por qué importa

En todo el panorama tecnológico empresarial, los clústeres de aceleradores de gráficos representan algunos de los activos más caros en los balances corporativos. Sin embargo, a pesar de las enormes inversiones de capital, las tasas de utilización de GPU en el mundo real en entornos de ingeniería empresarial típicos rara vez superan el 25 al 35 por ciento.

Esta ineficiencia se produce porque los programadores estándar de Kubernetes tratan las GPU como unidades informáticas monolíticas e indivisibles. Si un desarrollador lanza un contenedor de inferencia liviano o una sesión de depuración interactiva de Jupyter que requiere solo dos gigabytes de memoria de video, Kubernetes vincula una GPU completa de 80 gigabytes a ese contenedor, bloqueando a otros ingenieros y dejando el costoso silicio inactivo.

El código abierto del operador de fraccionamiento de GPU y el programador KAI de Run:ai resuelve este cuello de botella fundamental. Al permitir la división dinámica de la memoria fraccionada en la capa de tiempo de ejecución del controlador y del contenedor, múltiples cargas de trabajo pueden compartir de forma segura un único acelerador físico con un estricto aislamiento de memoria impuesto por hardware, lo que impulsa las tasas de utilización del clúster por encima del 80 por ciento.

## Detalles técnicos

En el centro de la arquitectura de código abierto se encuentra KAI Scheduler, un complemento de programación avanzado de Kubernetes diseñado específicamente para cargas de trabajo distribuidas de aprendizaje automático. A diferencia de los programadores de contenedores genéricos que programan pods de uno en uno, KAI Scheduler implementa la programación grupal. En el entrenamiento del modelo distribuido de múltiples nodos, todos los pods necesarios en múltiples nodos se programan y lanzan simultáneamente, o no se lanza ninguno, lo que evita interbloqueos en los que los trabajos distribuidos consumen recursos parciales del clúster mientras esperan indefinidamente los nodos trabajadores restantes.

El programador también incorpora colas automatizadas de reparto justo, cuotas garantizadas y preferencia de trabajo inteligente. Los canales de integración continua automatizados de alta prioridad pueden adelantarse temporalmente a los experimentos de investigación de baja prioridad, controlando de forma segura los estados de entrenamiento y devolviendo los nodos a la cola una vez que concluyen los trabajos urgentes.

![Archivos de repositorio de código fuente de proyectos de software de código abierto.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792128436340-3a84mv-nvidia-open-sources-run-ai-gpu-orchestration-platform-apache-2026-10-16-morning-inside-2-3c7b292248.webp)
*La versión de licencia Apache 2.0 permite a los ingenieros de la comunidad auditar, modificar y ampliar los controladores de clúster de GPU.*

Como complemento al programador se encuentra el Operador de fraccionamiento de GPU, que interactúa directamente con los controladores CUDA NVIDIA para asignar dinámicamente porciones fraccionarias de vGPU sin necesidad de particiones físicas duras ni reinicios del servidor. Las cargas de trabajo reciben contextos informáticos virtuales dedicados con límites de memoria de hardware aplicados, lo que evita que las asignaciones de memoria descontroladas bloqueen los procesos vecinos.

## Impacto en el mercado / la industria

La decisión de NVIDIA de abrir el código Run:ai transforma la dinámica competitiva del mercado de MLOps y orquestación en la nube. Las plataformas de gestión de GPU patentadas de la competencia enfrentan una presión de precios inmediata, ya que los equipos de ingeniería de plataformas ahora poseen una alternativa de código abierto de nivel empresarial, respaldada por la comunidad y mantenida por el propio proveedor de semiconductores dominante.

Para los proveedores de nube y proveedores de infraestructura empresarial como Red Hat, VMware y SUSE, la versión proporciona un estándar ascendente inmediato. Las principales distribuciones de Kubernetes pueden agrupar la orquestación de GPU fraccionada nativa en sus plataformas de contenedores predeterminadas, lo que simplifica la incorporación de clientes a cargas de trabajo de IA.

Además, la licencia permisiva Apache 2.0 permite que iniciativas soberanas de IA en Europa y Asia implementen programadores de clústeres seguros y auditables sin depender de telemetría de software estadounidense patentado o suscripciones comerciales SaaS.

## Qué observar ahora

Los repositorios de código abierto Run:ai están disponibles inmediatamente en GitHub, con imágenes de contenedores y gráficos Helm publicados en registros de contenedores de código abierto para una implementación automatizada.

En los próximos meses, las comunidades de desarrolladores monitorearán la velocidad a la que Cloud Native Computing Foundation (CNCF) y la comunidad ascendente de Kubernetes evalúan la integración de las extensiones del programador Run:ai directamente en los ciclos de lanzamiento principales de Kubernetes.

Los líderes de DevOps y los arquitectos de plataformas de aprendizaje automático deben realizar implementaciones piloto en clústeres de desarrollo de GPU internos existentes para medir las mejoras en la utilización y establecer cuotas estandarizadas de recursos multiinquilino en sus organizaciones de ingeniería.

## Fuentes

- [Blog del desarrollador técnico NVIDIA](https://developer.nvidia.com/blog/open-sourcing-run-ai-kubernetes-gpu-orchestration/): Lanzamiento técnico oficial que detalla la arquitectura, los enlaces al repositorio de Apache 2.0 y las especificaciones del programador KAI.
- [El nuevo Stack Cloud nativo](https://thenewstack.io/nvidia-open-sources-run-ai-platform-for-kubernetes-gpu-scheduling/): Análisis de las extensiones del programador de Kubernetes, la economía de los clústeres multiinquilino y la adopción del ecosistema empresarial.
- [TechRepublic TI empresarial](https://www.techrepublic.com/article/nvidia-open-source-run-ai-kubernetes/): Cobertura independiente de las implicaciones de las licencias de código abierto, la eficiencia de corte fraccional de GPU y las rutas de implementación.

Mentions: NVIDIA, Run:ai, Cloud Native Computing Foundation

## Sources
- [Blog del desarrollador técnico NVIDIA](https://developer.nvidia.com/blog/open-sourcing-run-ai-kubernetes-gpu-orchestration/)
- [El nuevo Stack Cloud nativo](https://thenewstack.io/nvidia-open-sources-run-ai-platform-for-kubernetes-gpu-scheduling/)
- [TechRepublic TI empresarial](https://www.techrepublic.com/article/nvidia-open-source-run-ai-kubernetes/)