
Erin Boyd, Senior Director de NVIDIA y miembro del CNCF Governing Board, publicó hoy un post que es básicamente una declaración de principios: el futuro de IA se construye en abierto, y Kubernetes es ese terreno.
Los datos que importan
Del CNCF 2025 Annual Cloud Native Survey:
- 82% de usuarios de contenedores corren Kubernetes en producción
- 66% de organizaciones que hacen IA generativa usan K8s para manejar workloads de inference
- Pero solo 7% despliega modelos a diario; 47% lo hace solo intermitentemente
Ese gap entre “corre en K8s” y “se despliega continuamente” es operacional. Y es exactamente lo que NVIDIA quiere cerrar.
El compromiso: US$4M y GPUs de verdad
NVIDIA se unió este año al CNCF Governing Board y comprometió US$4 millones en 3 años para que los proyectos CNCF puedan correr CI y testing en GPUs reales en vez de emuladores.
Esto es enorme para proyectos open source que historicamente no han tenido acceso a hardware de GPU para testing. No es lo mismo testear contra un simulador que contra un H100 real.
Lo que ya está upstream
Tres piezas clave que NVIDIA contribuyó al ecosistema:
1. GPU DRA Driver (upstream en SIG-Node)
Reemplaza la asignación estática de GPUs con asignación dinámica en tiempo real. Incluye MIG device sharing (alpha) y ComputeDomains para compartir memoria entre GPUs vía Multi-Node NVLink. En criollo: un job grande obtiene exactamente las GPUs que necesita, cuando las necesita.
2. KAI Scheduler (CNCF Sandbox)
Aceptado en KubeCon Europe. Es el scheduler que NVIDIA usa internamente:
- Gang scheduling con simulación previa (sin evicciones innecesarias)
- Colas jerárquicas con Dominant Resource Fairness
- Binding asíncrono testeado en clusters de 10,000+ GPUs
3. Kubernetes AI Conformance Program
Creció de 18 a 31 plataformas certificadas. Si tu plataforma dice soportar AI en K8s, ahora hay un estándar que lo verifica.
Por qué importa
El argumento de NVIDIA es directo: los problemas de operar GPUs a escala son problemas de sistemas distribuidos, y eso es exactamente lo que la comunidad cloud native lleva una década perfeccionando.
Históricamente, Kubernetes trataba las GPUs como recursos estáticos e indivisibles. Funcionaba para workloads tempranos, pero se cae cuando tienes training a gran escala, inference sensible a latencia y plataformas multi-tenant en el mismo cluster. El resultado era el impuesto clásico: GPUs sobredimensionadas, aceleradores ociosos, aplicaciones que pasan todos los tests y se caen en producción.
La apuesta es hacer que los workloads de GPU sean tan rutinarios en Kubernetes como cualquier otro workload. Y están poniendo el dinero, el código y el hardware para que pase.
💡 Conclusión: NVIDIA podría haber guardado todo esto como ventaja competitiva. En cambio lo abrió al CNCF — con gobernanza compartida, no control. Es un movimiento estratégico: si K8s se convierte en el estándar definitivo para IA, NVIDIA quiere ser la infraestructura que lo sostiene, y para eso necesita que el ecosistema crezca abierto.


