A Nvidia liberou na terça, 13 de outubro, a plataforma completa Run:ai como código aberto, dentro da sua DSX AI Factory. O Run:ai organiza o uso de GPUs em Kubernetes: decide quem roda, quando e com quanto de cada placa. A empresa comprou a startup israelense no fim de 2024 por cerca de US$ 700 milhões, segundo o TechCrunch, e prometeu na época abrir o software. A abertura chega em quatro módulos que podem ser usados separados, com oito parceiros de nuvem já integrando a plataforma.
Em resumo
- O que abriu: a plataforma Run:ai inteira, em quatro módulos: KAI Scheduler, operador de fracionamento de GPU, KAI Resource Management e Workload Map.
- Licença: o KAI Scheduler segue sob Apache 2.0 e está na CNCF. O pacote completo sai no NGC com Helm chart, sem assinatura paga, sob o contrato de software da Nvidia.
- O que segue pago: suporte empresarial. A versão com suporte continua no Mission Control, no AI Enterprise e em marketplaces de nuvem.
- Parceiros: Crusoe, Mirantis, Nebius, OpenNebula Systems, Rafay, Saturn Cloud, Spectro Cloud e vCluster.
- Limite: o fracionamento roda sobre o CUDA 13.4. Código aberto aqui significa abrir a camada de controle, e ela continua presa a GPUs Nvidia.
O que a Nvidia abriu?
O anúncio saiu no blog técnico da Nvidia, assinado por Ekin Karabulut e Sam Heywood. São quatro peças. O KAI Scheduler é o agendador nativo de Kubernetes que move o Run:ai. Ele faz agendamento em grupo (gang scheduling), divisão justa e cotas, posicionamento por topologia e compartilhamento de GPU por MIG, MPS e divisão de tempo.
O operador de fracionamento de GPU deixa várias cargas dividirem a mesma placa com limite rígido de memória para cada uma. A Nvidia aposentou a implementação própria do Run:ai e passou a usar o fracionamento nativo do CUDA 13.4. O operador faz a ligação com o Kubernetes, traz um exportador de métricas por pod e funciona com outros agendadores.
O KAI Resource Management organiza a capacidade por projetos, departamentos e grupos de nós. O exemplo do blog: garantir metade do cluster para pesquisa sem deixar uma equipe monopolizar o resto. O Workload Map descreve uma vez cada tipo de carga de IA, como PyTorchJob, RayCluster ou KServe, para que agendadores e ferramentas de custo não precisem de código específico para cada uma. É uma biblioteca em Go e não instala nada no cluster.
O que continua pago?
O pacote completo está no NGC como Community Product, com Helm chart, sem assinatura paga do Run:ai. O download exige aceitar o contrato de software da Nvidia e os termos de produtos de IA da empresa. O código dos módulos segue as licenças abertas de cada repositório. O blog só detalha a do KAI Scheduler, que é Apache 2.0. O FourWeekMBA também nota que a licença do pacote inteiro não foi nomeada.
A versão comunitária não tem suporte empresarial da Nvidia. Quem quer suporte compra o Run:ai pelo Mission Control, pelo AI Enterprise ou por marketplaces de nuvem. Na leitura do Techstrong.ai, quem vai rodar em produção precisa prever um caminho pago ou um parceiro.
Como chegamos até aqui?
A Nvidia anunciou a compra do Run:ai em abril de 2024 e fechou o negócio em 30 de dezembro, depois de análises da Comissão Europeia e do Departamento de Justiça americano, segundo o TechCrunch. O valor de cerca de US$ 700 milhões veio de fontes ouvidas pelo site na época. Na conclusão, o Run:ai disse que abriria o código para que rivais como AMD e Intel pudessem adaptá-lo ao próprio hardware.
O KAI Scheduler já tinha sido aberto antes, sob Apache 2.0, e doado à CNCF como projeto Sandbox. A Nvidia diz que todo o desenvolvimento do agendador acontece no repositório da comunidade. Agora o resto da plataforma segue o mesmo caminho. O anúncio veio um dia depois de a Nvidia levar ao Open Compute Project os projetos de rack e bandeja do Vera Rubin, segundo o FourWeekMBA, na mesma semana em que a AMD apresentou o Helion e a Meta levou ao OCP o rack de rede IcePack.
Por que orquestração de GPU virou assunto?
Porque GPU parada custa caro. O Techstrong.ai cita o relatório 2026 da Cast AI sobre Kubernetes, com dados de dezenas de milhares de clusters, que encontrou uso médio de GPU perto de 5%. Uma pesquisa da VentureBeat Research de julho apontou que 86% das empresas com GPUs próprias as usam a 50% ou menos.
A Nebius publicou testes conjuntos com uma versão anterior do Run:ai, a 2.24. Com meia GPU, as cargas chegaram a 77% da vazão da placa inteira e a 86% da capacidade de usuários simultâneos, com primeiro token em menos de um segundo. Juntar modelos de chat, raciocínio e embeddings nas mesmas GPUs atendeu cerca de três vezes mais usuários do que dar uma placa para cada modelo. São números do parceiro, sem auditoria independente.
Quem ganha e qual é o limite?
Os oito parceiros transformam o código em produto. A Nebius oferece o Run:ai com um clique no seu Kubernetes gerenciado. A Rafay entrega como serviço gerenciado. A Saturn Cloud usa em inferência com marca própria e cobrança por token. A OpenNebula Systems leva para nuvens de IA abertas e soberanas. O FourWeekMBA lê a lista como canal de distribuição da Nvidia.
O limite é o hardware. Mitch Ashley, do Futurum Group, disse ao Techstrong.ai que “código aberto não equivale a neutro em hardware” e que “a camada de fracionamento roda em CUDA, e nada anunciado hoje muda isso”. O Techstrong.ai nota que a abertura não trata de suporte a aceleradores da AMD ou da Intel, citados na promessa de 2024. Para quem já tem frota Nvidia, Ashley considera a escolha razoável. O teste real, segundo ele, vem quando um segundo fornecedor de aceleradores entrar no data center.
O que muda para empresas e governo no Brasil?
Quem opera GPUs próprias no país ganha uma camada de agendamento e cotas sem custo de licença. Isso vale para universidades, centros de pesquisa, provedores de nuvem locais e estatais. A Dataprev, por exemplo, disse no Febraban Tech que sua nuvem já opera 80 petaflops e está em expansão para IA, e defendeu manter modelos sob controle do Estado, como a Marcio.AI registrou em Dataprev opera nuvem de 80 petaflops e expande para IA. Para esse tipo de operador, dividir GPU entre equipes e cargas com cota é o que separa um cluster ocioso de um cluster pago.
O cuidado é o mesmo apontado pelo Futurum. Adotar o Run:ai aberto é apostar numa camada de controle que depende do CUDA. Quem planeja comprar aceleradores de outro fornecedor, ou misturar fornecedores por custo ou por política de soberania, precisa testar antes se os módulos funcionam fora da Nvidia. Hoje, nada nas fontes indica isso.
O que observar nas próximas semanas
A tese da Marcio.AI: a Nvidia abre o software que deixa a GPU mais bem usada e mantém fechado o que é escasso, o chip e o suporte. Isso reforça o CUDA como padrão dentro do data center. Ganham a Nvidia e as nuvens parceiras, que passam a vender orquestração pronta. Perdem os fornecedores de orquestração comercial que cobravam por essa camada, e os rivais de hardware, enquanto o fracionamento depender do CUDA.
Sinais para conferir até o fim do ano: a licença formal de cada repositório do Run:ai, a entrada de algum módulo além do KAI Scheduler na CNCF, contribuições de fora da Nvidia nos repositórios, qualquer suporte a GPUs da AMD ou da Intel e o primeiro provedor de nuvem brasileiro a oferecer o Run:ai aberto.
Fontes
- NVIDIA Technical Blog, NVIDIA Run:ai Is Now Open Source as Part of NVIDIA DSX AI Factory Platform, 13/10/2026
- Techstrong.ai, NVIDIA Hands Run:ai to the Open Source Community, 14/10/2026
- Nebius, Open-source NVIDIA Run:ai is now available on Nebius AI Cloud Applications, 13/10/2026
- FourWeekMBA, NVIDIA Makes Its Full Run:ai GPU Platform Free Open Source, 13/10/2026
- TechCrunch, Nvidia completes acquisition of AI infrastructure startup Run:ai, 30/12/2024
Rating Marcio.AI: 4/5 (Global, Muito relevante, Muito próximo do hype). Seção DeepTech do Watcher.
#MarcioAI #Nvidia #RunAI #Kubernetes #CodigoAberto #GPU
Como este texto foi produzido
Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.
Leia também: AMD apresenta o Helion, rack aberto para agentes de IA e Corrida global por data centers chega ao Brasil.