Introduzione al rilascio di Run:ai

Il 19 ottobre 2026 NVIDIA ha annunciato che Run:ai, la sua piattaforma di orchestrazione GPU per Kubernetes, è ora disponibile sotto licenza Apache 2.0. Il codice sorgente è stato pubblicato su GitHub, consentendo a chiunque di scaricare, modificare e contribuire al progetto. Questa mossa segna una svolta importante nella strategia di NVIDIA per favorire l’adozione di soluzioni AI native cloud, riducendo la dipendenza da licenze proprietarie.

Run:ai è stato progettato per gestire in modo dinamico le risorse GPU all’interno di cluster Kubernetes, offrendo funzioni avanzate come il pooling delle GPU, la priorità dei carichi di lavoro e il bilanciamento automatico. Grazie all’apertura del codice, le comunità open‑source potranno ora estendere le capacità della piattaforma, integrandola con altri tool di monitoraggio, autoscaling e sicurezza.

Principali funzionalità di Run:ai

Le funzionalità chiave di Run:ai includono:

    • GPU Pooling: consente di aggregare GPU fisiche in pool logici, semplificando la gestione delle risorse tra più team.
    • Priorità e quota: permette di assegnare priorità ai job AI e di impostare quote garantite per progetti critici.
    • Autoscaling intelligente: scala automaticamente i nodi GPU in base al carico di lavoro, ottimizzando costi e prestazioni.
    • Supporto multi‑tenant: isolamento dei job tra diversi utenti o gruppi, garantendo sicurezza e compliance.
    • Integrazione con strumenti di monitoraggio: esporta metriche verso Prometheus, Grafana e altri sistemi di osservabilità.

La licenza Apache 2.0 garantisce che le aziende possano utilizzare Run:ai senza obblighi di divulgazione del codice proprietario, mantenendo al contempo la possibilità di contribuire a miglioramenti e correzioni.

Dettagli tecnici e architettura

Run:ai si basa su componenti Kubernetes standard, ma introduce controller personalizzati (CRD) per la gestione delle GPU. I principali componenti includono:

    • runai‑controller‑manager: gestisce il ciclo di vita dei CRD e la logica di scheduling.
    • runai‑scheduler‑extender: estende lo scheduler di Kubernetes per tenere conto delle capacità GPU.
    • runai‑api‑server: fornisce un’interfaccia REST per operazioni di provisioning e monitoraggio.
    • runai‑cli: tool da riga di comando per interagire con la piattaforma.

Il progetto è scritto principalmente in Go, con dipendenze gestite tramite Go modules. Il repository include una suite completa di test unitari e di integrazione, garantendo la stabilità del codice anche in ambienti di produzione.

Impatto sulla comunità Kubernetes e AI

L’apertura di Run:ai è accolta con entusiasmo dalla comunità Kubernetes, che da tempo richiedeva una soluzione robusta per la gestione delle GPU. Alcuni vantaggi evidenziati dagli esperti includono:

    • Riduzione della frammentazione degli strumenti di scheduling GPU.
    • Maggiore trasparenza nella gestione delle risorse, facilitando audit e compliance.
    • Possibilità di contribuire a funzionalità avanzate come il supporto a nuove architetture GPU (es. Hopper, Ada).
    • Integrazione più fluida con stack AI open‑source come TensorFlow, PyTorch e JAX.

Le aziende che già utilizzano Kubernetes per carichi di lavoro AI potranno migrare a Run:ai senza dover riscrivere i manifest, grazie alla compatibilità con le API Kubernetes standard.

Come iniziare con Run:ai

Per chi desidera provare Run:ai, il processo di onboarding è semplice:

    • Clonare il repository GitHub ufficiale: git clone https://github.com/NVIDIA/runai.
    • Eseguire lo script di installazione Helm: helm install runai ./charts/runai.
    • Verificare l’installazione con il comando runai status per visualizzare lo stato del cluster.
    • Creare un pool GPU con il CRD RunaiPool e assegnare quota ai namespace desiderati.
    • Lanciare il primo job AI usando il template YAML fornito nella documentazione.

La documentazione ufficiale include guide dettagliate per ambienti on‑premise, cloud pubblici (AWS, GCP, Azure) e edge computing.

Licenza Apache 2.0 e implicazioni legali

Apache 2.0 è una licenza permissiva che permette:

    • Uso commerciale senza obbligo di rendere pubblico il codice derivato.
    • Distribuzione di binari compilati con o senza modifiche.
    • Integrazione con altri progetti open‑source anche sotto licenze più restrittive.
    • Garanzia di brevetti: NVIDIA concede una licenza sui brevetti necessari per l’uso della piattaforma.

Le aziende devono comunque rispettare le clausole di attribuzione e includere la nota di licenza nei prodotti distribuiti.

Contributi della community e roadmap

Fin dall’inizio, NVIDIA ha invitato la community a contribuire al progetto. Il repository GitHub contiene una sezione CONTRIBUTING.md con linee guida chiare su:

    • Come segnalare bug e aprire issue.
    • Processo di revisione del codice (pull request).
    • Standard di codifica e test da rispettare.
    • Procedura per la proposta di nuove feature.

La roadmap pubblicata prevede, per i prossimi 12 mesi:

    • Supporto nativo per GPU di nuova generazione (Ada Lovelace).
    • Integrazione con sistemi di sicurezza Zero‑Trust.
    • Estensione del modello di pricing basato su utilizzo reale delle GPU.
    • Supporto per workload serverless AI.

Conclusioni

Con l’apertura di Run:ai sotto licenza Apache 2.0, NVIDIA fornisce alla comunità un tool potente e flessibile per l’orchestrazione delle GPU su Kubernetes. La decisione favorisce l’innovazione, riduce le barriere di ingresso per le imprese e consolida l’ecosistema AI open‑source. Gli sviluppatori possono ora sfruttare appieno le capacità delle GPU NVIDIA, integrandole in pipeline CI/CD, ambienti di ricerca e applicazioni di produzione, il tutto mantenendo il pieno controllo sulle licenze e sulla sicurezza.