从工作组到 SIG Architecture：聚焦 AI Conformance
在本期 SIG Architecture 聚焦访谈中，我们与 Janet Kuo（Google）和 Yuan Tang（TensorScale AI）进行了交流，探讨了 AI Conformance 在 Kubernetes 中的发展历程： 从最初的工作组， 到作为子项目融入 SIG Architecture。
自我介绍
Frederico Muñoz 和 Kirti Goyal（FK）：Janet、Yuan，你们好，感谢你们给我们这个机会， 让我们能更多地了解 AI Conformance。能否介绍一下你们自己，以及你们是如何参与 Kubernetes 的？
Janet Kuo： 我是 Google 的资深主任软件工程师， 自 2015 年起担任 Kubernetes 维护者，加入社区时我们正全力奔向 1.0 版本的发布。 我的职业生涯始于编写核心工作负载控制器，这些控制器确立了应用在 Kubernetes 上如何编排的标准。 如今，我作为联合主席兼技术负责人（TL）领导 SIG Apps，同时也负责 AI Conformance 计划。 我当前的重点是确保 Kubernetes 始终是下一代工作负载（例如 AI）的最佳平台。
Yuan Tang： 我是 TensorScale AI 的联合创始人，我们公司为世界模型（world models）构建 AI 基础设施。 在此之前，我是 Red Hat 的资深首席软件工程师， 负责领导 Red Hat AI 平台的研发以及上游开源策略。我很早就参与 Kubernetes， 方式是促进 Kubernetes 社区与我当时领导的项目（包括 Kubeflow、Argo 和 KServe）之间的协作。 后来，我帮助创立并领导了 WG Serving 和 AI Conformance 计划，推动在 Kubernetes 上运行 AI 工作负载方面的创新，并加强社区协作。
计划、工作组、子项目：AI Conformance 的多种形态
FK：AI Conformance 最初是 CNCF 的一个计划，你们是在那时参与进来的吗？
Janet Kuo： 事实上，我从第一天起就参与了，因为这个最初的想法是我提出的。 当时情况已经很明显：所有人都在 Kubernetes 上运行 AI，但各家厂商构建基础设施栈的方式各不相同。 我担心生态系统会走向分裂。于是我撰写了最初的 Kubernetes AI Conformance 提案， 提交给 CNCF 领导层以获得他们的认可，随后启动了 AI Conformance 计划。 拿到许可之后，我联系了同为联合主席的 Yuan Tang、Rita Zhang 和 Mario Fahlandt， 让社区围绕这个计划团结起来。
Yuan Tang： 是的。当时我是 WG Serving 的联合主席，其中一些举措（例如 Gateway AI Inference Extension） 很快就获得了广泛关注。社区内部有强烈的意愿， 希望把与推理相关的要求纳入 Kubernetes AI Conformance 计划。
FK：你如何描述创建 AI Conformance 工作组的动机？
Janet 和 Yuan： 创建 Kubernetes AI Conformance 工作组 （AI WG）的动机，是在 AI 工作负载快速向 Kubernetes 汇聚的同时，防止生态系统走向分裂。
随着 AI 的采用不断加速，各组织开始在许多不同的 Kubernetes 平台上运行日益复杂的工作负载， 包括分布式训练、大规模推理、GPU 密集型流水线以及新兴的智能体式 AI（agentic AI）系统。 然而，厂商在实现 AI 基础设施能力时方式各异，尤其是在 GPU、网络、调度和推理编排方面。 这带来了可移植性挑战、运维不一致，以及日益加剧的厂商锁定担忧。
AI WG 的成立是为了让社区围绕以下方面凝聚共识：
- 厂商中立的 AI 基础设施标准，
- 可互操作的基于 Kubernetes 的 AI 平台，
- AI 工作负载一致的运维行为，
- 以及可扩展 AI 部署的共同要求。
FK：工作组本质上是临时的，并且以成果为导向：你认为该工作组的主要目标已经实现了吗？
Janet 和 Yuan： 是的，该工作组达成了其最初的主要目标。
该工作组成功推动生态系统从碎片化、厂商特有的 AI 基础设施做法， 转向一套由社区共同定义的、面向 Kubernetes 上 AI 工作负载的基线。
一些具体成果指标包括：
- 启动 Certified Kubernetes AI Conformance 计划
- 定义正式的 Kubernetes AI 要求（Kubernetes AI Requirements，KARs）
- 获得主要生态系统参与者的广泛参与
- 在几个月内将认证平台从 18 个增加到 31 个
- 就 AI 工作负载所需的较新 Kubernetes 原语达成一致
- 制定自动化一致性验证路线图
最重要的是，该工作组形成了共识：AI 工作负载现已成为 Kubernetes 的一等用例。
FK：AI Conformance 在最近一届 KubeCon 上被特别提及：这是否反映了 AI 在整个项目中日益增长的重要性？
Janet 和 Yuan： 是的，AI Conformance 在最近一届 KubeCon + CloudNativeCon 上的突出地位，强烈反映出 AI 对整个 Kubernetes 生态系统而言已变得多么核心。
几年前，Kubernetes 上的 AI 工作负载仍被视为相当专门的领域， 主要与机器学习（ML）平台或 GPU 密集型研究环境相关。 发生变化的地方在于，AI 现在正成为几乎所有大规模平台运维者都要关注的主流基础设施议题。
这种转变自然地把 AI 从 Kubernetes 上运行的一种应用， 提升为 Kubernetes 必须专门优化的一类核心工作负载。
AI Conformance 举措反映了这一演进。它表明社区现在认为 AI 基础设施需求 —— 例如加速器调度、高性能网络、工作负载感知编排和低延迟推理 —— 已经重要到需要在生态系统层面加以标准化。
它在 KubeCon 上的可见度也体现了更广泛的战略认知：如果 Kubernetes 要继续作为现代基础设施的通用控制平面， 它就需要为跨云、本地和边缘环境中的 AI 工作负载提供一致的基础。
因此，对 AI Conformance 的强调并不只是追逐 AI 热潮； 它关乎 Kubernetes 适应工作负载模式的重大转变，并确保生态系统协调一致地演进， 而不是分裂成厂商专有的 AI 技术栈。
从工作组到 SIG Architecture 子项目
FK：你如何描述从工作组到 SIG 的转变？这是否反映了 AI 属于需要持续架构治理的事物？
Janet 和 Yuan： 在 Kubernetes 中，工作组本来就是临时的。 我们的工作组有明确的目标：发布最初的 Kubernetes AI Conformance 要求，并让认证流程运转起来。 达成这些里程碑之后，我们归档了该工作组， 并将 AI Conformance 转为 SIG Architecture 下的永久子项目。
迁移到 SIG Architecture 无疑证明 AI 需要持续的治理。AI 不是短暂的潮流，也不是一次性的工作负载。 它已成为 Kubernetes 日常运行内容的核心部分。由于 SIG Architecture 本就负责 Kubernetes 总体一致性（Conformance）和 API 设计原则，把 AI Conformance 子项目放在那里完全合理。 这能确保我们的 AI Conformance 要求在长期内与 Kubernetes 生态系统的其余部分保持一致。
FK：伴随这一转变，你如何描述该子项目的主要目标和工作领域？
Janet 和 Yuan： 现在我们是一个子项目，主要目标是让 AI Conformance 标准保持最新、厂商中立并起到标准引领作用。 我们希望确保 Kubernetes 能纳入 AI 基础设施的最新进展，同时让生态系统对每个人都公平。 当我们发现某些空白领域尚不存在明确的社区模式时，我们会帮助培育并形成新标准来填补它们。
AI Conformance 与 Kubernetes
FK：AI 基础设施演进非常快，而 Kubernetes API 的设计目标是多年保持稳定。你们认为这是一个挑战吗？
Janet 和 Yuan： 这确实是一个微妙的平衡。AI 发展非常快，而 Kubernetes 的设计目标是稳定、不出意料。 不过我们正是围绕这一张力来构建该计划的。
第一，我们采用分层晋级模型。当新的 AI 基础设施概念出现时，我们先将其作为建议性的 SHOULD 要求引入。 这样，生态系统就有空间去试验并就最佳实践达成一致，而不会过早把 Kubernetes 锁定在僵化的 API 上。 一旦这些 API 稳定下来并获得生态系统的采用，我们就将其晋级为强制性的 MUST 要求。
第二，我们有意把关注点保持在基础设施层面。我们通过 动态资源分配（Dynamic Resource Allocation，DRA） 来测试加速器支持等核心能力，而不是深陷于特定的 AI 框架或模型服务器之中。 这样既保持基础平台稳定，又让 AI 工具链能按所需速度自由演进。
FK：得益于 WG Device Management 的工作，DRA 已成为 Kubernetes 的重要组成部分 （对 AI 工作负载尤其如此），而 SIG Architecture 在 DRA 如何集成到 Kubernetes 方面发挥了重要作用： 你们觉得这里有相似之处吗？具体来说，你认为作为 SIG Architecture 的一部分， 未来会更着重关注 DRA 与不断演进的 Kubernetes 架构的集成吗？
Janet 和 Yuan： 这里有极大的相似之处。 每当我们面对一个规模庞大、复杂、涉及代码库多个部分并牵涉多个 SIG 的挑战时，工作组都是最佳的起点。 它让来自不同 SIG 的专家聚在一起弄清楚问题，并建立共识。
成为 SIG Architecture 的一部分，意味着我们会更加着重关注 AI 能力如何融入不断演进的 Kubernetes 架构。 我们不再把 AI 视为附加层，而是审视调度和资源分配等 Kubernetes 核心原语需要在基础层面如何调整，以支撑未来十年的 AI 工作负载。
结语
FK：对于有兴趣的贡献者，参与 AI Conformance 子项目的最佳方式是什么？
Janet 和 Yuan： 我们一直在寻找新的贡献者。最简单的入门方式是查看我们的主仓库
kubernetes-sigs/ai-conformance，
并参加我们的会议。
如果你有兴趣定义新的 AI Conformance 要求，可以参与 PR 审查，或者使用我们的
KAR 模板提出你自己的要求。
如果你想写代码，我们一直需要有人帮忙扩展
test/ 目录中的自动化 Go 测试套件。
对于希望为自己的平台做认证的厂商，所有细节都在 cncf/k8s-ai-conformance 中。
FK：你们还有什么最后想分享的吗？
Janet 和 Yuan： 社区如此迅速地围绕这项工作团结起来，让我们深感震撼。 当我们在 KubeCon NA 2025 的主题演讲中首次宣布 AI Conformance 计划时，我们并不确定会有怎样的反响。
但等到我们在 KubeCon EU 2026 做进展更新主题演讲时，获认证的平台已在短短几个月内从 18 个增长到 31 个。
这样的增长说明整个行业多么渴望一个统一、厂商中立的标准。 它让各组织有信心在任何已认证的 Kubernetes 平台上运行自己的 AI 工作负载， 而不会被锁定在专有技术栈中。
如果你是平台厂商，我们很希望看到你通过认证。 如果你是一名对 AI 与云原生基础设施交叉领域感兴趣的开发者，欢迎加入 SIG Architecture！
FK：太好了，感谢你们两位带我们走过这段 Kubernetes 中 AI 与 AI Conformance 的旅程。
This is a mirror of the original article.