💡
原文中文，约4000字，阅读约需10分钟。
📝
内容提要
KCD Beijing 2026 是大型 Kubernetes 社区大会，HAMi 社区介绍了 GPU 调度的 DRA 模型，强调 GPU 从“设备”转变为“资源对象”。DRA 提升了资源建模能力，但用户体验有所下降。HAMi-DRA 通过自动化迁移简化用户操作，提高了 Pod 创建速度和可观测性，推动了 AI 基础设施的发展。
🎯
关键要点
- KCD Beijing 2026 是大型 Kubernetes 社区大会，吸引了超过 1000 人参与。
- HAMi 社区介绍了 GPU 调度的 DRA 模型，强调 GPU 从'设备'转变为'资源对象'。
- DRA 提升了资源建模能力，但用户体验有所下降。
- DRA 允许多维资源建模，支持完整设备生命周期管理和细粒度资源分配。
- DRA 的复杂性导致用户体验退化，迁移成本高。
- HAMi-DRA 通过自动化迁移简化用户操作，提高 Pod 创建速度和可观测性。
- DRA Driver 负责完整的设备生命周期管理，提升了 GPU 调度的复杂性。
- HAMi-DRA 在性能上显著提升 Pod 创建速度，减少了调度冲突。
- DRA 模型改善了可观测性，运维团队可以直接了解资源使用情况。
- DRA 是异构算力抽象的起点，推动跨厂商资源管理的可能性。
- Kubernetes 正在演进为 AI 基础设施的控制平面，HAMi 的定位愈加清晰。
- HAMi-DRA 通过不改变用户习惯和内部消化复杂性来实现 DRA 的能力。
❓
延伸问答
KCD Beijing 2026 大会的主要内容是什么？
KCD Beijing 2026 大会主要介绍了 GPU 调度的 DRA 模型，强调 GPU 从'设备'转变为'资源对象'，并探讨了这一转变对 AI 基础设施的影响。
DRA 模型的主要优势是什么？
DRA 模型的主要优势包括多维资源建模能力、完整设备生命周期管理和细粒度资源分配。
HAMi-DRA 如何改善用户体验？
HAMi-DRA 通过自动化迁移简化用户操作，让用户继续使用 Device Plugin 的写法，系统自动转换为 DRA，降低了迁移成本。
DRA 模型对 GPU 调度的影响是什么？
DRA 模型使 GPU 调度从简单的资源分配转变为复杂的设备生命周期管理，提升了调度的灵活性和效率。
DRA 模型在性能上有哪些提升？
DRA 模型在性能上显著提升了 Pod 创建速度，减少了调度冲突，提升约 30% 以上。
Kubernetes 在 AI 基础设施中的角色是什么？
Kubernetes 正在演进为 AI 基础设施的控制平面，支持异构 GPU 和 AI workload 的调度与管理。
➡️
