Il 13 ottobre 2026 NVIDIA ha annunciato il rilascio open source dell’intera piattaforma Run:ai, compresi control plane e servizi per i cluster. Per i team che la gestiscono in proprio, questo significa poter usare l’intera piattaforma o adottare separatamente quattro componenti; hardware, ambiente Kubernetes e operatività restano invece a carico dell’organizzazione. NVIDIA ha presentato il rilascio, mentre la documentazione di installazione descrive architettura e responsabilità.
Che cosa comprende il rilascio open source
Run:ai orchestra i carichi di lavoro di intelligenza artificiale e gestisce le risorse GPU su Kubernetes. La piattaforma completa comprende un control plane, che centralizza gestione delle risorse, invio dei carichi di lavoro, monitoraggio e analisi, e i servizi del cluster, che ampliano le funzioni di pianificazione e gestione dei workload.
Il repository ufficiale indica la Apache License 2.0 per il codice software e segnala separatamente licenze diverse per alcuni componenti e materiali di terze parti. La licenza del codice software del repository, quindi, non va estesa automaticamente a ogni elemento incluso.
NVIDIA distingue il Community Product dalle offerte con supporto: per il primo non è richiesto un abbonamento Run:ai a pagamento né un contratto di supporto, ma non è incluso il supporto enterprise di NVIDIA. Per scaricare il prodotto da NVIDIA NGC occorre accettare i termini software e quelli specifici del prodotto; le immagini e i chart Helm open source non richiedono una chiave API NGC.
Che cosa fa ciascun componente
NVIDIA presenta quattro componenti adottabili anche separatamente, ciascuno con un compito diverso. L’annuncio ne descrive funzioni e ambiti.
| Componente | Funzione | Limite o relazione rilevante |
| KAI Scheduler | Pianifica i carichi GPU; supporta, tra le altre funzioni, gang scheduling, quote, fair-share, collocazione sensibile alla topologia e GPU sharing. | Può essere installato in un cluster esistente senza adottare l’intera piattaforma Run:ai. |
| GPU Fractioning Operator | Integra in Kubernetes le frazioni GPU native di CUDA e fornisce metriche per singolo pod. | È indipendente dallo scheduler; il driver CUDA applica un limite di memoria GPU a ciascun workload. |
| KAI Resource Management | Organizza progetti e dipartimenti e gestisce garanzie, condivisione, fair-share, quote e gruppi di nodi. | Può essere abbinato a KAI Scheduler. |
| Workload Map | Offre una libreria Go utilizzabile offline per descrivere e gestire tipi diversi di workload Kubernetes. | Non pianifica né mette in coda i workload, non li ridimensiona automaticamente e non li propaga tra cluster. |
La distinzione è concreta: KAI Scheduler si occupa della pianificazione, mentre KAI Resource Management governa l’allocazione tra gruppi e risorse. Workload Map fornisce un modo comune di descrivere i workload, ma non sostituisce uno scheduler.
Come si organizza una distribuzione autogestita
Ogni installazione Run:ai comprende un control plane e almeno un cluster Run:ai. NVIDIA documenta due configurazioni: collocarli nello stesso cluster Kubernetes oppure usare cluster separati, collegati in rete. La documentazione contempla Kubernetes e OpenShift, ambienti connessi e isolati e tre percorsi d’installazione: Guided Installation, Manual Helm e Base Command Manager; quest’ultimo è indicato per la Support-Entitled Release.
Quali risorse restano a carico dell’operatore
L’organizzazione che gestisce Run:ai fornisce e amministra hardware, sistema operativo, distribuzione Kubernetes, rete e storage. NVIDIA indica inoltre GPU Operator e Prometheus tra i prerequisiti. Le immagini della piattaforma e i chart Helm restano invece sotto la responsabilità di NVIDIA, secondo la documentazione di installazione.
L’accesso al software e il supporto enterprise sono quindi due aspetti distinti: il Community Product non richiede un abbonamento a pagamento, ma la gestione dell’infrastruttura e del servizio resta in capo all’operatore.
