DeepSeek DeepInfer: código abierto SOTA inferencia ejecuta 155T toks/día/clúster y gana 22 millones de dólares/día con un margen de ~80 % para un reembolso de 81 días
Aún sin análisis de IA
AI Noticias Panorama global
99 Últimas 24h5,6 mil Total de entradas31 Fuentes activas
Ver resumen diarioSelección de hoy
Cambios de la industria de IA que merecen atenciónAnthropic casi ha detenido la contratación de empleados junior: su proporción se desploma un 33% en año y medio; las horas de trabajo de los Agent ya multiplican por 6 las de los empleados
Los datos internos de Anthropic indican que los agente de IA impulsados por un modelo de lenguaje de gran tamaño han pasado de la prueba de concepto a la sustitución de la productividad. La drástica disminución en la proporción de empleados junior y la elevada relación de horas de trabajo de los Agent significan que la fase de "práctica" en la ingeniería de software está siendo asumida por completo por las máquinas. Este cambio está obligando a las empresas tecnológicas a reorganizar sus estructuras corporativas, pasando de "supervisar a otros escribiendo código" a "hacer que los humanos se concentren en la arquitectura de alto nivel y la colaboración".
Conclusión claveLos agente de IA están pasando de herramientas auxiliares a productividad central, exprimiendo puestos de nivel inicial y remodelando las estructuras de colaboración organizacional。
Por qué importaLa reducción de los roles junior y el aumento de las cargas de trabajo Agent señalan una ruptura en el flujo de talento tradicional para la ingeniería de software. Si el camino de ascenso desde el nivel inicial hasta el nivel senior falla, la cadena de suministro de talentos a largo plazo y los costos operativos de la industria enfrentarán una profunda reestructuración。
Qué sigueLa atención posterior debería centrarse en las tasas de producción de innovación a largo plazo de Anthropic y otras empresas líderes en IA después de la reestructuración organizacional, así como en la difusión de políticas de restricción de seguridad en agente de IA por parte de las grandes empresas。
A quién afecta
- Junior DevelopersAI Agents replace foundational coding and debugging, causing a sharp drop in entry-level demand and threatening traditional career paths.
- Engineering ManagersMulti-fold increases in code delivery speed and productivity significantly reduce project cycle times and trial costs.
- Enterprise IT SecurityNon-technical staff using programming agents to build tools may introduce compliance and security vulnerabilities, prompting tighter access controls.
Alibaba sube los precios de producción de DeepSeek V4 Flash 0731 en un 230%
Fabricantes líderes como Alibaba han aumentado significativamente los precios de la API de modelos como DeepSeek V4 Flash, lo que significa que el "periodo de subsidio de la guerra de precios" en la industria de los modelos de lenguaje de gran tamaño está llegando silenciosamente a su fin. A medida que los fabricantes pasan de buscar cuota de mercado a centrarse en la economía unitaria, los modelos de negocio posteriores que dependen de costes de inferencia extremadamente bajos se enfrentarán a una severa presión de revaluación de costes.
Conclusión claveLos laboratorios de IA están pasando de una era de recortes de precios a una fase de precios racionales centrada en la economía unitaria。
Por qué importaLos precios de la API dictan directamente los márgenes de las aplicaciones de IA posteriores. Un cambio de la caída al aumento de los costes de inferencia perturbará los presupuestos empresariales y obligará al ecosistema de aplicaciones a girar hacia una mayor eficiencia operativa。
Qué sigueSupervise los ajustes de precios de API posteriores de otros laboratorios de IA importantes a nivel mundial para determinar si esto indica una tendencia generalizada de aumento de precios en toda la industria。
A quién afecta
- AI Application DevelopersSurging API prices will directly inflate operational costs and compress profit margins for downstream products.
- AlibabaRaising prices improves unit economics and moves away from unprofitable volume-driven subsidies.
- Zhipu AIAggressively cutting prices against the industry trend may allow it to capture significant market share.
DeepSeek abre el código de su último framework de inferencia: un rendimiento diario de 155 billones de tokens por clúster y KVCache capaz de conservarse durante 7 días
DeepSeek ha lanzado como código abierto DeepInfer, un framework de inferencia en la nube a gran escala, lo que significa que su ventaja competitiva se está extendiendo desde el nivel de los algoritmos de modelos hasta la implementación de ingeniería en infraestructuras de alta concurrencia. Al separar Prefill y Decode y adaptarlos a hardware heterogéneo, este framework ofrece un modelo maduro para que la industria resuelva los cuellos de botella de costo y latencia en la inferencia de modelos de lenguaje de gran tamaño.
Conclusión claveDeepSeek está abriendo el código fuente de su arquitectura inferencia probada en producción, acelerando la democratización de la infraestructura LLM。
Por qué importaEl coste de inferencia y el rendimiento del sistema son restricciones fundamentales para la comercialización de LLM. Las prácticas de ingeniería a gran escala y la adaptación de hardware heterogéneo de DeepInfer ayudan a las empresas y a los desarrolladores a reducir significativamente las barreras de implementación para la inferencia de alta concurrencia。
Qué sigueLa observación futura debería centrarse en la escala de los clústeres de código abierto de terceros implementados a través de DeepInfer, el rendimiento real y la estabilidad operativa en las plataformas Huawei Ascend。
A quién afecta
- DesarrolladoresCan leverage DeepInfer to access high-performance distributed inference and codec capabilities aligned with DeepSeek's production services.
- Huawei AscendNative support in DeepInfer helps accelerate its adoption within the LLM inference ecosystem.
- AI Infra VendorsOpen-source high-performance inference frameworks may create competitive pressure against proprietary commercial inference acceleration software.
DeepSeek Open-Sources DeepInfer, the Inference Framework Behind DeepSeek-V4.1-Flash
DeepSeek ha publicado en código abierto DeepInfer, un framework de inferencia de nivel de producción, lo que significa que sus ventajas tecnológicas se están extendiendo desde los algoritmos de modelos de lenguaje de gran tamaño en la capa superior hacia la ingeniería subyacente y la adaptación de potencia de cálculo heterogénea. Al admitir simultáneamente hardware de NVIDIA y Huawei, el framework busca reducir la fricción de despliegue para las empresas en múltiples chips, acelerando aún más la autonomía y el control de la infraestructura de inferencia. Esta estrategia de código abierto basada en la sinergia de software y hardware tendrá un impacto directo en el panorama actual de los frameworks de inferencia comerciales.
Conclusión claveDeepSeek está evolucionando desde la I+D de modelos puros hasta capacidades de ingeniería de pila completa que abarcan modelos y marcos subyacentes de inferencia。
Por qué importaEl rendimiento inferencia y los costos de adaptación del hardware son los principales obstáculos para la implementación LLM a gran escala. DeepInfer de código abierto ayuda a los desarrolladores a reducir los costos inferencia fuera de línea y proporciona una alternativa para escapar de ecosistemas de hardware específicos a través del soporte nativo para chips nacionales。
Qué sigueLas observaciones futuras deberían centrarse en el rendimiento benchmark real de DeepInfer en hardware NVIDIA y Huawei, y cuándo se introducirá el soporte en línea inferencia。
A quién afecta
- NVIDIADeepInfer's deep optimization for new hardware may divert some inference performance dependency in specific scenarios.
- Huawei AscendOfficial production-grade inference framework support from a top-tier LLM vendor helps enhance its hardware ecosystem appeal.
- DeveloperCan directly use production-proven high-performance inference frameworks to lower deployment barriers for heterogeneous computing.
Army Cyber Command's ECHOTRIBBLE would turn AI agents into self-spreading cyberweapons
El desarrollo del proyecto ECHOTRIBBLE por parte del Comando de Ciberdefensa del Ejército de los Estados Unidos, dotado de capacidades de autopropagación y superación de espacios aislados (air-gapped), significa que los agente de IA en el ámbito militar están evolucionando de herramientas de apoyo a armas tácticas con características de ataque autónomo. Este ciberarma de alta autonomía no solo difumina los límites operativos de las ciberfuerzas tradicionales, sino que también incrementa sustancialmente el riesgo sistémico de que una pérdida de control provoque un efecto de desbordamiento.
Conclusión claveLos militares están convirtiendo los agente de IA en armas cibernéticas autónomas capaces de autopropagarse y eludir los sistemas aislados。
Por qué importaLa utilización militar de la IA como arma comprime los tiempos de decisión y amplifica los riesgos de daños colaterales. Si la IA que se propaga a sí misma se vuelve deshonesta, podría impactar catastróficamente la infraestructura crítica global y alterar fundamentalmente la dinámica de la guerra cibernética。
Qué sigueLas observaciones futuras deberían centrarse en el progreso de los proyectos militares de IA, los llamados internacionales para regular las armas cibernéticas autónomas y las estrategias defensivas emergentes contra los ataques de gusanos de IA。
A quién afecta
- Cybersecurity IndustryThe leakage or proliferation of military-grade autonomous attack tools will expose critical infrastructure to unprecedented worm-like AI threats.
- AI AgentThe military pursuit of autonomous propagation and attack capabilities will trigger global scrutiny and stricter regulations on AI agent safety.
La ventana está en el razonamiento: cuando los LLM Agent deciden seguir las inyecciones inmediatas
La seguridad tradicional en la monitorización asume que el éxito o el fracaso de una inyección de prompts se decide en el momento de la lectura, pero las investigaciones demuestran que un Agent que introduce un proceso de razonamiento alterará la varianza de los resultados en los pasos posteriores. Esto indica que los límites de defensa de seguridad de los modelos de lenguaje de gran tamaño se están extendiendo desde el filtrado de entradas estáticas hacia la monitorización dinámica del proceso de razonamiento.
Conclusión claveLa defensa de seguridad LLM Agent está pasando de la interceptación estática en tiempo de lectura al control dinámico durante el proceso de razonamiento。
Por qué importaLa inyección rápida es un cuello de botella de seguridad central que impide que LLM Agent logren una automatización completa. Si los mecanismos de seguridad pueden intervenir durante el proceso de razonamiento del modelo, la solidez de los Agent que manejan contenido no confiable mejorará significativamente。
Qué sigueLa atención posterior debe centrarse en los efectos prácticos de implementación de soluciones de monitoreo dinámico basadas en el razonamiento en Agent interactivos de múltiples turnos。
A quién afecta
- AI Security VendorsThe revealed dynamic reasoning window provides theoretical basis for developing new runtime security monitoring and defense tools.
- LLM DevelopersAgent architecture design needs to reassess how the reasoning process impacts security boundaries and prompt injection defense.
Inyección de autoridad estructurada: control humano persistente para LLM Agent mediante anulaciones escritas MCP
La propuesta del protocolo de Inyección de Autoridad Estructurada (SAI) significa que el mecanismo de control de los Agent basados en modelos de lenguaje de gran tamaño está evolucionando desde la intervención blanda dependiente del lenguaje natural hacia restricciones duras con validación arquitectónica. Al anclar la intervención humana en llamadas a herramientas tipificadas del Model Context Protocol, resuelve el problema crítico del fallo de instrucciones en contextos largos. Esto impulsará el desarrollo de sistemas de Agent autónomos hacia una mayor seguridad y controlabilidad.
Conclusión claveLos mecanismos de control para LLM Agent están pasando de intervenciones suaves de texto libre a restricciones estrictas a nivel de protocolo y validadas por esquemas。
Por qué importaLas anulaciones de texto libre hacen que los LLMs ignoren gradualmente las instrucciones humanas a medida que se acumula el contexto. La implementación de la inyección de autoridad tipificada a través del protocolo de contexto modelo garantiza que los operadores mantengan un control persistente y vinculante a lo largo de ciclos de planificación complejos, lo cual es fundamental para la implementación Agent en escenarios de alto riesgo。
Qué sigueLa observación posterior debe centrarse en el rendimiento de la implementación y la sobrecarga del protocolo SAI en sistemas multi-Agent distribuidos reales para verificar su viabilidad en entornos de producción。
A quién afecta
- Autonomous AgentsThe introduction of protocol-level human control significantly reduces the risk of autonomous agents going out of control in complex tasks.
- Model Context ProtocolThis research expands the application boundaries of the Model Context Protocol in safety control and human intervention.
TOPIC=Chips
Últimas noticias
Sigue las novedades de IA a medida que llegan
Hoy
16:04
Ayer
23:55
Misma GPU, 50% más de producción: por qué es importante el operador - Oliver Kennon, ingeniero de semianálisis e inteligencia artificial
Same GPU, 50% More Output: Why the Operator Matters — Oliver Kennon, SemiAnalysis｜AI Engineer
AI InsightLograr una mejora del 50% en la producción a través de operadores optimizados bajo las mismas condiciones de hardware de GPU significa que la competencia por el rendimiento de inferencia de modelos grandes se está extendiendo desde el puro apilamiento de hardware hasta la optimización del operador de software subyacente. A medida que aumentan los costos del hardware, la extracción de rendimiento a nivel de software se convertirá en el avance fundamental para reducir los costos operativos de la IA.Conclusión claveEl enfoque de la optimización del rendimiento de la IA está pasando de las puras actualizaciones de hardware a la eficiencia subyacente del operador y la pila de software。Por qué importaLos operadores inferencia determinan directamente la eficiencia de conversión de computación del hardware. En medio de un suministro de hardware limitado y costos elevados, la optimización de los operadores para aumentar el rendimiento reduce directamente los costos operativos unitarios por modelo de lenguaje de gran tamaños。A quién afecta- BeneficiarioNVIDIAEfficient operators and software stacks further amplify hardware performance advantages and solidify ecosystem barriers.
- En RiesgoAI Infrastructure ProvidersProviders lacking hardware performance may face cost-performance pressure driven by advanced software and operator optimization.
Qué siguePosteriormente, se debe centrar la atención en el progreso técnico y los resultados de la implementación en la fusión de operadores y la optimización del kernel por parte de los principales marcos de aprendizaje profundo y fabricantes de chips。Importancia 75/100
Ayer
21:14
Beyond the KV cache: Training and serving i14’s Laplace 3B linear attention model on AWS Trainium2 with native PyTorch
AI Insighti14 ha ejecutado con éxito el modelo de atención lineal Laplace 3B en AWS Trainium2, lo que significa que las soluciones de inferencia para textos largos que reemplazan a la arquitectura Transformer están pasando de la teoría a la validación de ingeniería. Al fijar el estado recurrente en 29,5 MB, esta tecnología evita el límite de memoria del caché de claves y valores (KV cache) tradicional, que crece linealmente con el contexto. Esto demuestra que la optimización de hardware y arquitectura para los modelos de lenguaje de gran tamaño está evolucionando aceleradamente hacia la reducción de los costos de memoria en textos largos.Conclusión claveLas arquitecturas LLM se están expandiendo desde la dependencia de caché KV a la atención lineal con estado recurrente fijo para resolver cuellos de botella de memoria de contexto prolongado。Por qué importaEl crecimiento ilimitado de la caché KV es el principal impulsor de los altos costos inferencia en contextos LLM prolongados. Al fijar el tamaño del estado recurrente, los modelos de atención lineal mejoran significativamente la previsibilidad de la memoria inferencia, ofreciendo una nueva vía para reducir los costos de implementación para servicios de texto largo a gran escala。A quién afecta- BeneficiarioAWSDemonstrates Trainium2's adaptability to innovative non-Transformer architectures, helping expand its market share in differentiated LLM training and serving.
- BeneficiarioLLM DevelopersLinear attention architectures offer memory-predictable long-context processing, potentially lowering hardware deployment barriers for long-context applications.
Qué sigueLas observaciones futuras deberían centrarse en la precisión de los modelos de atención lineal como Laplace 3B a escalas más grandes y sus datos de costos inferencia reales en diversos entornos de producción。Importancia 75/100
Ayer
14:31
DeepSeek Open-Sources DeepInfer, the Inference Framework Behind DeepSeek-V4.1-Flash
AI InsightDeepSeek ha publicado en código abierto DeepInfer, un framework de inferencia de nivel de producción, lo que significa que sus ventajas tecnológicas se están extendiendo desde los algoritmos de modelos de lenguaje de gran tamaño en la capa superior hacia la ingeniería subyacente y la adaptación de potencia de cálculo heterogénea. Al admitir simultáneamente hardware de NVIDIA y Huawei, el framework busca reducir la fricción de despliegue para las empresas en múltiples chips, acelerando aún más la autonomía y el control de la infraestructura de inferencia. Esta estrategia de código abierto basada en la sinergia de software y hardware tendrá un impacto directo en el panorama actual de los frameworks de inferencia comerciales.Conclusión claveDeepSeek está evolucionando desde la I+D de modelos puros hasta capacidades de ingeniería de pila completa que abarcan modelos y marcos subyacentes de inferencia。Por qué importaEl rendimiento inferencia y los costos de adaptación del hardware son los principales obstáculos para la implementación LLM a gran escala. DeepInfer de código abierto ayuda a los desarrolladores a reducir los costos inferencia fuera de línea y proporciona una alternativa para escapar de ecosistemas de hardware específicos a través del soporte nativo para chips nacionales。A quién afecta- VigilarNVIDIADeepInfer's deep optimization for new hardware may divert some inference performance dependency in specific scenarios.
- BeneficiarioHuawei AscendOfficial production-grade inference framework support from a top-tier LLM vendor helps enhance its hardware ecosystem appeal.
- BeneficiarioDeveloperCan directly use production-proven high-performance inference frameworks to lower deployment barriers for heterogeneous computing.
Qué sigueLas observaciones futuras deberían centrarse en el rendimiento benchmark real de DeepInfer en hardware NVIDIA y Huawei, y cuándo se introducirá el soporte en línea inferencia。Importancia 88/100
Ayer
09:00
A visit to Samsung’s massive new semiconductor hub
AI InsightLa expansión a gran escala de Samsung de su centro de fabricación de semiconductores en Pyeongtaek, Corea del Sur, significa que la explosión de la IA generativa está transmitiendo presión competitiva desde la capa del modelo frontal al hardware y la infraestructura de almacenamiento posteriores. Con múltiples fábricas funcionando las 24 horas del día, la capacidad de almacenamiento ascendente se convertirá en una variable clave para determinar los costos y los plazos de entrega del hardware de IA.Conclusión claveLa demanda de informática de IA está impulsando directamente la expansión masiva de la infraestructura de fabricación de chips de memoria。Por qué importaLos chips de memoria son un cuello de botella crítico para las operaciones eficientes de la GPU. La liberación de capacidad de Samsung podría afectar la estabilidad del suministro y el precio de mercado de la memoria de gran ancho de banda, provocando efectos en cascada sobre los costos de hardware para el modelo entrenamiento y su implementación。A quién afecta- BeneficiarioSamsungThe deployment of massive semiconductor capacity helps secure a larger market share in the generative AI hardware wave.
- BeneficiarioGPUIncreased supply of upstream specialized memory chips could alleviate current supply chain bottlenecks for GPU assembly.
Qué sigueLa atención posterior debería centrarse en el cronograma de producción real de la cuarta fábrica en el sitio de Pyeongtaek y los rendimientos de la producción en masa de la memoria de gran ancho de banda。Importancia 68/100
19/10
16:23
How Deepgram optimized voice AI at scale with AWS Trainium
AI InsightDeepgram migró el modelo Nova-3 a AWS Trainium2, lo que indica que los proveedores de IA de campo vertical están optimizando los costos de inferencia al adaptarse profundamente a los chips de desarrollo propio de proveedores de nube específicos. Esto refleja que en la comercialización de modelos grandes, se ha convertido en la norma en la industria evitar el cuello de botella de las GPU de uso general y encontrar alternativas de hardware rentables.Conclusión claveLos proveedores de IA de voz están rompiendo los cuellos de botella en los costes de inferencia mediante la adopción de chips personalizados nativos de la nube。Por qué importaEl costo inferencia es una limitación fundamental para el escalamiento de la IA de voz comercial. La migración de modelos a AWS Trainium2 con ajuste a nivel de kernel permite a las empresas aumentar significativamente el rendimiento y reducir los gastos informáticos en el procesamiento por lotes。A quién afecta- BeneficiarioAWSSuccessful deployment validates Trainium2's capability in mainstream LLM/voice inference, attracting more AI enterprises to its hardware ecosystem.
- En RiesgoNVIDIASuccessful validation of alternative custom chips in specific workloads like batch processing diverts potential incremental GPU demand.
- BeneficiarioDeepgramJoint optimization of underlying hardware and runtime significantly reduces unit inference costs for large-scale speech-to-text services.
Qué sigueLas observaciones futuras deberían centrarse en los datos reales de costos unitarios inferencia y el rendimiento de AWS Trainium2 en entornos de producción más amplios。Importancia 72/100
19/10
11:33
The neocloud shakeout is coming, and Nvidia has the most to lose
AI InsightLos proveedores de servicios en la nube de IA se enfrentan a un severo invierno de capital y a una reorganización del mercado; el repliegue de los proveedores de nube no hiperescaladores sacudirá directamente la base de ingresos a largo plazo de NVIDIA. Este fenómeno significa que la estructura de oferta y demanda del mercado de potencia de cómputo subyacente está pasando de una expansión ciega a una concentración en los principales actores.Conclusión claveLos proveedores de IA en la nube están atravesando una reestructuración brutal a medida que la demanda se concentra en los hiperescaladores。Por qué importaEl colapso y las cancelaciones de pedidos entre las neonubes amenazan directamente la estabilidad de los ingresos de los fabricantes de hardware, introduciendo limitaciones financieras reales al crecimiento de los centros de datos de NVIDIA。A quién afecta- En RiesgoNvidiaNon-hyperscale cloud providers account for 45% of its data center revenue, and market consolidation may lead to order losses.
- En RiesgoCoreWeaveSignificant market value contraction reflects growing investor concern over the profitability and survival of neoclouds.
Qué sigueSupervise las quiebras y las actividades de fusiones y adquisiciones entre las neonubes, así como los cambios en la proporción de ingresos no hiperescala para NVIDIA。Importancia 82/100
19/10
07:30
Datacenters 2027: The Year of Acceleration, +50GW in a Single Year
AI InsightSemiAnalysis reveló un plan para agregar 50 GW de centros de datos de IA en un solo año en 2027, rompiendo las expectativas demasiado pesimistas del mercado sobre los cuellos de botella de la red eléctrica y la cadena de suministro. Esto muestra que la velocidad de la construcción física de la infraestructura informática está superando la intuición conservadora de los principales inversores, y que la carrera armamentista mundial de la IA se está acelerando hacia la etapa de entrega de la ingeniería física.Conclusión claveLa velocidad de construcción del centro de datos de IA está superando las expectativas del mercado con la entrega acelerada de proyectos físicos。Por qué importaLas limitaciones de energía, cadena de suministro y capital son condiciones límite críticas para la comercialización de la IA. Si la escala del centro de datos de 50 GW en 2027 se entrega según lo previsto, aliviará directamente los cuellos de botella informáticos para LLM entrenamiento y inferencia, remodelando la dinámica de oferta y demanda en energía y hardware。A quién afecta- BeneficiarioAI InfraThe massive expansion of datacenter construction will directly translate into sustained high demand for power equipment, cooling systems, and server hardware.
- En RiesgoEnergy UtilitiesAn addition of 50GW in a single year poses severe practical challenges to grid construction timelines and clean energy supply.
Qué siguePosteriormente, se debe centrar la atención en las tasas reales de conexión a la red y los datos de entrega de equipos de refrigeración para centros de datos en construcción avanzada para verificar la probabilidad objetivo de 50 GW。Importancia 85/100
19/10
03:19
NVIDIA código abiertos Ejecutar:ai en Apache 2.0 para la orquestación de GPU de Kubernetes
NVIDIA Open Sources Run:ai Under Apache 2.0 for Kubernetes GPU Orchestration
AI InsightNVIDIA ha publicado Run:ai como código abierto bajo la licencia Apache 2.0, lo que significa que su estrategia competitiva se extiende desde la simple supremacía del rendimiento de hardware hacia la construcción de un estándar de ecosistema de infraestructura. Mediante la integración del programador KAI y las capacidades de partición de GPUs, NVIDIA está estrechando su control sobre las bases de entrenamiento e inferencia de modelos de lenguaje de gran tamaño.Conclusión claveNVIDIA está evolucionando profundamente desde un proveedor puro de hardware hasta un creador de estándares de infraestructura de IA。Por qué importaLa eficiencia de la programación de recursos de GPU dicta directamente los costos operativos de grandes grupos de modelos. Run:ai de código abierto reduce la barrera para la gestión informática de nivel empresarial, lo que ayuda a NVIDIA a bloquear aún más la pila tecnológica subyacente para la implementación de IA empresarial。A quién afecta- En RiesgoKubernetes Infrastructure VendorsNVIDIA providing an official, open-source high-performance GPU orchestration solution may squeeze the market space for third-party container scheduling software.
- BeneficiarioEnterprise AI DevelopersDevelopers can freely access more mature GPU partitioning and quota management tools, reducing the operational complexity of multi-tenant LLM clusters.
Qué sigueLa observación posterior debería centrarse en la actividad de contribución de la comunidad para Run:ai y si los principales proveedores de nube lo adoptan como un componente de programación estándar de Kubernetes。Importancia 86/100