随着企业将AI工作负载推向生产环境,它们遇到了一个熟悉的难题:平台碎片化。云原生计算基金会(CNCF)在2025年北美KubeCon + CloudNativeCon大会上新发布的Kubernetes AI一致性认证计划,正是为了解决AI领域众多分散平台、工具和标准的问题。
长期CNCF支持者和Kubernetes贡献者VMware by Broadcom也宣布,其vSphere Kubernetes Service(VKS)已获得认证,成为首批符合新AI标准的平台之一。
在亚特兰大KubeCon大会现场录制的The New Stack Makers节目中,TNS创始人兼发行人Alex Williams与Broadcom工程高级总监Dilpreet Bindra以及产品营销总监Himanshu Singh讨论了这些在Kubernetes上运行AI工作负载的开放社区定义标准。
新一致性计划的意义
Bindra认为新的一致性计划体现了CNCF从Kubernetes早期发展中汲取的经验教训。
"AI工具领域存在很多混乱,"他指出。"通过AI一致性计划,CNCF正在重复他们在Kubernetes初期所做的工作,确保基于这些工具开发的应用程序能够在多个不同平台上使用。"
Singh补充说,一致性"核心理念是可移植性。"平台供应商、基础设施团队、企业AI从业者和Kubernetes开源贡献者都需要一个通用且可互操作的基础。"如果我在公有云上运行并想将应用程序迁移到私有云,或者反之,一致性意味着我应该能够以最小的阻力将应用程序迁移到最适合的地方。"
vSphere Kubernetes Service的独特优势
VMware vSphere Kubernetes Service是CNCF认证的Kubernetes运行时,作为VMware Cloud Foundation的一部分提供。Bindra表示,VKS的独特之处在于它与底层vSphere平台的深度集成,而不是添加另一个抽象层。VMware将VKS架构设计为直接使用Kubernetes API对抗基础设施。
"一切都是YAML文档,所有的对象,"Bindra说。"这意味着虚拟机、Pod、持久卷和Kubernetes集群本身都可以通过Kubernetes API和Argo CD等工具以声明式方式管理。"
为了支持这一点,最新的VKS版本包含一个新的附加组件管理系统,让用户能够管理所有VKS集群的扩展,无论是预打包组件还是第三方工具。
Kubernetes成为AI工作负载的坚实基础
Singh和Bindra一致认为,这一切之所以成为可能,是因为Kubernetes本身已经成为不可动摇的基础。这种稳定性使企业能够信任Kubernetes处理生产AI工作负载。这也是Broadcom一直加倍支持Cluster API和etcd等基础项目的原因,这些组件使可靠、可扩展的Kubernetes成为可能。
"现在有更多用户、应用程序和企业完全信任这项技术,"Bindra说。"我们的观点是,未来大部分应用程序开发都将使用Kubernetes完成。"
Singh补充道:"你希望技术成熟,希望平台成熟,然后社区可以继续构建,持续扩展并将事物提升到新水平。"
"而在这个时间点,"他总结道,"AI就是那个新水平。"
Q&A
Q1:CNCF推出的Kubernetes AI一致性认证计划主要解决什么问题?
A:该计划主要解决AI领域平台碎片化问题。随着企业将AI工作负载推向生产环境,面临众多分散的平台、工具和标准。一致性认证确保基于这些工具开发的应用程序能够在多个不同平台上使用,核心理念是实现可移植性,让企业能够以最小阻力在公有云和私有云之间迁移AI应用。
Q2:VMware vSphere Kubernetes Service有什么独特优势?
A:VKS的独特之处在于与底层vSphere平台的深度集成,而不是添加抽象层。它直接使用Kubernetes API对抗基础设施,将一切都设计为YAML文档形式。这意味着虚拟机、Pod、持久卷和Kubernetes集群都可以通过Kubernetes API和工具以声明式方式统一管理。
Q3:为什么说Kubernetes已成为AI工作负载的可靠基础?
A:Kubernetes本身已经成为不可动摇的稳定基础,这种稳定性使企业能够信任它处理生产AI工作负载。现在有更多用户、应用程序和企业完全信任这项技术。随着技术和平台的成熟,社区可以继续构建和扩展,而AI正是当前发展的新水平。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。