The Pulse
Databricks annuncia la disponibilità generale di AI Runtime per l’addestramento su GPU
Secondo Databricks, AI Runtime integra nella sua piattaforma un’infrastruttura GPU gestita, l’addestramento distribuito e strumenti di debugging. Le note di rilascio fissano la disponibilità generale al 15 ottobre 2026 su AWS e Azure per gl
AI.info Team · Scritto con l’IA · verificato ·
«Usando Databricks AI Runtime, abbiamo trasferito il nostro addestramento su larga scala da una configurazione a nodo singolo con 8 GPU A100 a una configurazione multinodo con 16 GPU H100.»
Kostia Omelianchuk, ricercatore in ricerca applicata e responsabile tecnico di area, Superhuman
Databricks ha annunciato la disponibilità generale di AI Runtime il 21 ottobre 2026, offrendo un’infrastruttura GPU gestita alle aziende che vogliono addestrare e sottoporre a fine-tuning i modelli usando i dati già conservati nella sua piattaforma. Il servizio si occupa di predisporre le GPU, configurare i cluster e gestire la rete, anziché richiedere ai clienti di costruire e gestire un’infrastruttura GPU separata. Secondo Databricks, centinaia di aziende, tra cui Robinhood, Merck, Flo Health e FactSet, usano AI Runtime per addestrare modelli di deep learning. Le sue note di rilascio fissano la disponibilità generale al 15 ottobre 2026 su AWS e Azure per gli spazi di lavoro in cui il profilo di sicurezza per la conformità non è attivato.
Da una macchina con 8 GPU all’addestramento distribuito
L’esperienza riferita da Superhuman illustra la scala a cui punta Databricks. Omelianchuk afferma che l’azienda è passata da un nodo con otto GPU A100 a più nodi con 16 GPU H100, riducendo una sessione di addestramento da circa sette giorni a 48 ore: un’accelerazione di 3,5 volte, secondo la testimonianza del cliente riportata nell’annuncio di Databricks. Databricks non presenta il risultato come un benchmark tra clienti: è l’esempio di un carico di lavoro che una singola azienda ha trasferito sul servizio.
AI Runtime offre GPU serverless su richiesta e supporta l’addestramento distribuito su più nodi, anche tramite reti abilitate a RDMA. Databricks afferma che la sua infrastruttura verifica lo stato delle GPU e della rete prima e durante l’esecuzione dei carichi di lavoro e che i clienti possono estendere l’addestramento a centinaia di GPU. L’azienda descrive il sistema come collaudato sul campo da «sessioni di addestramento da 100.000+ ore-GPU».
Codice esistente, avvii più rapidi e strumenti di debugging integrati
Gli sviluppatori possono usare il proprio codice, i propri container e i propri carichi di lavoro Ray, oppure ambienti preconfigurati. Secondo Databricks, la memorizzazione degli ambienti nella cache e i pool di GPU serverless già pronti consentono di avviare i carichi di lavoro in pochi secondi, anche su grandi cluster che usano reti RDMA. Un’esperienza MLflow integrata raccoglie i log poco dopo l’invio del carico di lavoro e mette a disposizione dei team un visualizzatore per esaminare le sessioni di addestramento distribuito.
Il servizio collega inoltre l’addestramento agli strumenti di Databricks per i dati e i flussi di lavoro. Lakeflow può orchestrare il lavoro sulle GPU insieme alla preparazione dei dati a monte e alla valutazione a valle, mentre MLflow offre il monitoraggio degli esperimenti e la visibilità sui log. L’obiettivo è ridurre i passaggi tra la preparazione dei dati, l’esecuzione degli esperimenti e l’avvicinamento di un modello alla produzione, senza chiedere ai team di riscrivere il codice di addestramento per una nuova piattaforma infrastrutturale.
Unity Catalog governa i dati di addestramento e gli output
AI Runtime opera entro il perimetro di governance di Databricks, dove Unity Catalog applica controlli di accesso ai dati di addestramento e agli output dei carichi di lavoro, come checkpoint e log. Databricks afferma che il servizio isola i carichi di lavoro a livello di macchina virtuale e supporta PrivateLink e i controlli del traffico in uscita per gli ambienti serverless. Questa architettura riunisce governance e risorse di calcolo per l’addestramento nella stessa piattaforma, anche se i clienti devono comunque valutare se l’ambiente gestito di Databricks soddisfi i loro requisiti di rete, conformità e infrastruttura.
L’accesso non è uguale per tutti gli spazi di lavoro. La documentazione di Databricks indica che la disponibilità generale di AI Runtime era prevista per il 15 ottobre 2026 su AWS e Azure per gli spazi di lavoro in cui il profilo di sicurezza per la conformità non è attivato. Precisa che, per gli spazi di lavoro idonei con quel profilo, il servizio sarà disponibile per impostazione predefinita a metà novembre, in base agli standard e alle regioni supportati. Per i team che monitorano la spesa, l’azienda afferma che i dati di utilizzo per singolo carico di lavoro compaiono nelle tabelle di sistema di fatturazione di Databricks, rendendo visibili i singoli carichi di lavoro di addestramento insieme agli altri costi della piattaforma.