KubeCon EU 2026 回顾：HAMi 从展台到主论坛 Keynote Demo

刚刚结束的 KubeCon + CloudNativeCon Europe 2026，释放出一个越来越明确的行业信号：

云原生正在快速从“应用运行平台”演进为 AI 基础设施的运行底座。

在阿姆斯特丹，围绕 Kubernetes、GPU、推理服务、Agentic AI 和异构算力调度的讨论，已经不再停留在概念层面，而是进入到更具体的工程实践、社区协作与基础设施范式演进阶段。

作为 CNCF Sandbox 项目，HAMi 在本届大会上完成了从 Maintainer Summit、Lightning Talk、Project Pavilion 到主论坛 Keynote Demo 的一系列亮相。

Kubernetes 正在进入 AI Infra 阶段

如果说过去 Kubernetes 主要解决的是容器编排、微服务治理和云原生应用交付，那么在这届 KubeCon 上，更受关注的问题已经变成了：

• AI workload 如何更高效地运行在 Kubernetes 上？
• GPU 如何被共享、切分、调度和隔离？
• LLM serving 与底层资源管理如何协同？
• 异构算力如何被统一纳入云原生调度体系？

这些问题背后对应的是一个更本质的变化：

Kubernetes 正在从"编排应用"走向"编排算力"。

这也正是 HAMi 所处的位置。

Maintainer Summit：GPU 调度进入更核心的社区讨论

在大会前的 Maintainer Summit 上，HAMi Maintainer 李孟轩分享了 HAMi 对 AI 工作负载的见解。

随后团队参与了 CNCF 闭门会议，与 CNCF TOC 主席 Karena Angell、Red Hat 以及 vLLM 社区成员 Brian Stevens、Robert Shaw 等进行了深入交流。

这次讨论很有代表性，因为它并不停留在"某个项目怎么做功能"，而是在讨论一个更大的问题：

当 LLM serving、GPU 资源管理和 Kubernetes 在真实生产环境中开始汇合时，基础设施层需要什么样的新抽象？

现场交流中，HAMi 所推动的方向引起了明显关注。大家越来越意识到，GPU 已经不能只被看作一个简单设备，而正在变成一种可以被调度、共享、治理的基础设施资源层。

这也是为什么 HAMi 与 vLLM 等项目之间的协同开始变得越来越自然。在本次活动中，双方已经开始探讨后续的联合内容合作与技术交流，这也说明 AI Infra 生态正在加速从"单点项目"走向"组合式协作"。

另外 HAMi 项目也正在申请 CNCF 孵化，在 TAG workshop 中作为代表项目参与了讨论。

两场技术分享：从社区问题到工程实现

张潇：K8s Issue #52757 — Sharing GPUs Among Multiple Containers

这个问题（#52757）并不是一个新问题，而是在 Kubernetes 社区中存在多年的"未被彻底解决的问题"。

随着 AI workload 的爆发，这个问题被重新放大：

• 推理服务需要更细粒度的 GPU 使用方式
• 多租户环境要求资源共享
• AI workload 的形态决定了 GPU 不再适合独占

这也是为什么，这个看似底层的问题，开始成为 AI 基础设施的核心问题之一。

HAMi Maintainer 张潇的分享从 Kubernetes 社区长期存在的一个经典问题出发：多个容器如何共享 GPU？

这个问题看似具体，但实际上指向的是整个 AI 基础设施生态共同面临的难题。因为一旦进入推理、批处理、在线服务和多租户混合场景，GPU 就不再适合以"整卡独占"的方式被简单分配。

这场分享的重要性，在于它把 HAMi 所解决的问题放回到了 Kubernetes 社区的原始语境中：不是另起炉灶做一个孤立方案，而是在回应一个长期存在、尚未被彻底解决的 upstream 问题。

李孟轩：Dynamic, Smart, Stable GPU-Sharing Middleware in Kubernetes

HAMi Maintainer 李孟轩的分享聚焦 HAMi 的核心架构与能力，系统介绍了：

• GPU 虚拟化
• GPU 共享与调度机制
• 稳定性与生产可用性设计
• 在 Kubernetes 中实现 AI workload 资源管理的思路

这并不只是介绍一个项目功能，而是在回答一个更实际的问题：

在 Kubernetes 尚未原生解决 GPU 共享问题的前提下，企业如何真正把 AI workload 跑起来，并跑得更稳、更高效？

Project Pavilion：面对面的全球社区交流

除了议题分享，HAMi 还在 KubeCon EU 2026 的 Project Pavilion 设有展台。

在这几天里，展台成为了非常密集的交流现场。前来交流的人群覆盖了：

• 海外开发者与贡献者
• 企业用户与平台团队
• 高校、研究机构人员
• 云厂商及 GPU 生态相关从业者
• 对 AI infra、异构算力和 Kubernetes GPU 调度感兴趣的社区成员

在现场我们也结交了更多社区贡献者，包括来自印度的贡献者 Rudraksh Karpe 和 Shivay Lamba。

在 Poster Session 中社区贡献者制作了 Kubernetes as the universal GPU control plane 的示意图。

这类交流的价值，不只是"增加曝光"，而是帮助验证一件事：

GPU 调度、资源共享和异构算力管理，已经成为全球范围内的真实需求，而不是某个局部市场的特殊问题。

Keynote Demo：HAMi 登上 KubeCon 主论坛舞台

如果说演讲和展台代表的是"专业圈层中的认可"，那么这次 KubeCon 最具标志性的时刻，无疑是：

HAMi 作为中国开源项目登上了 KubeCon EU 2026 的主论坛 Keynote，并完成了现场 Demo 展示。

这是本次大会最关键、也最值得被强调的一环。

在主论坛环节中，HAMi Maintainer 李孟轩 与 Reza Jelveh 进行了现场 Demo，展示了基于 Kubernetes 的多 workload GPU 调度场景。

Demo 以两个典型 AI workload 为例：一类是 YOLO 推理服务，另一类是 Qwen3-8B 大模型推理任务。在传统 Kubernetes 调度模型中，这两类任务通常需要独占 GPU 运行，而在 HAMi 的调度模型下，GPU 被拆分为"算力 + 显存"的资源单元，可以被多个 Pod 按需共享。

在实际演示中，多个 YOLO 实例被调度到同一张 GPU 上运行，而 Qwen3-8B 模型则通过 binpack 策略与其他 workload 共同部署在同一 GPU 上。不同类型的 AI workload 在同一 GPU 上共存，同时保持资源隔离与调度可控。

这个 Demo 所呈现的，并不仅仅是 GPU 利用率的提升，更重要的是一个新的基础设施能力：GPU 从"设备"转变为"可调度资源"，而 Kubernetes 正在具备管理 AI workload 的基础能力。

为什么这件事有意义？

第一，AI 基础设施议题已经进入 KubeCon 的主叙事。

过去 KubeCon 主论坛更多聚焦 Kubernetes 本身和基础平台能力。而这次，HAMi 这样的 GPU 资源管理项目能够进入主论坛 demo，说明 AI workload 如何运行在 Kubernetes 上，已经成为云原生社区必须正面回答的问题。

第二，GPU 调度不再只是"边缘话题"。

GPU 共享、虚拟化、资源隔离、异构调度这些问题，过去往往更多存在于专业小圈子中。但现在，它们已经从"专门领域问题"变成"基础设施共同问题"。在 TOC 讨论和社区交流中，多个项目（包括 vLLM 相关实践）已经开始直接依赖底层 GPU 调度能力。

第三，这是 HAMi 社区共同积累的结果。

一个开源项目能够走到 KubeCon 主舞台，不会只是因为"有个功能能演示"。它背后是技术方向与行业趋势对齐、社区价值被看见、项目在生态中的位置变得更清晰。

这次 keynote demo 也是一次定位确认：

HAMi 正在从 GPU sharing 工具，走向 Kubernetes 上 AI 算力资源层的重要组成部分。

AI Native Summit

在 KubeCon 大会后还举办了同场活动 AI Native Summit。

与 KubeCon 主会场相比，AI Native Summit 的讨论更加直接聚焦在一个问题上：AI workload 的运行效率，正在成为新的基础设施瓶颈。

在这个语境下，GPU virtualization 和调度问题，不再是 Kubernetes 内部优化，而是直接影响模型服务成本、响应时间和系统吞吐能力的关键因素。

Reza Jelveh 分享了《HAMi: Heterogeneous GPU Virtualization and Scheduling for AI-Native Infrastructure on Kubernetes》。

Reza 还参与了主题为《AI Native Technology》的圆桌讨论。

本次 AI Native Summit 汇聚了来自云原生、AI 基础设施及电信行业的技术专家，围绕 AI 原生架构的演进展开深入探讨。会议重点关注在大模型和 Agent 驱动背景下，基础设施如何从传统的服务化、请求响应模式，演进为面向推理、会话和自治决策的新一代平台体系，涵盖 AI 网关、推理调度、多模型路由以及多租户隔离等关键议题。

一个值得注意的细节：HAMi 进入更大的云原生语境

除了现场 demo 和分享之外，这次大会还有一个很重要的外部信号：在主舞台分享中，HAMi 也被作为 Cloud Native Landscape 扩展背景下的代表性案例 被提及。

这说明 HAMi 的意义已经不只是"某个项目在做 GPU 调度"，而是在更大的云原生演进语境里，被看作新一代基础设施问题的代表。

云原生社区正在意识到：

• 过去那套围绕 CPU / 内存 / 网络 / 存储构建的资源模型还不够
• AI 时代需要新的资源抽象
• GPU、推理、异构设备与工作负载治理，正在成为下一阶段的重要基础设施议题

而 HAMi 正是在这个转折点上，提供了一种清晰、务实、可落地的工程路径。

本次参会的核心收获

回看这次 KubeCon，有几件事值得社区关注：

1. 全球社区对 AI Infra 的关注正在快速升温

大家已经不再满足于讨论模型和应用本身，而是在追问：

• 底层怎么跑？
• 资源怎么调？
• 效率怎么提升？
• 系统怎么稳定？

2. Kubernetes 与 AI 的结合正在进入深水区

现在的问题已经不再是"能不能跑"，而是：能不能高效地跑、能不能大规模地跑、能不能在生产环境稳定地跑。

3. HAMi 的定位越来越明确

HAMi 不再只是"做 GPU 共享的一个项目"，而是在逐步形成自己的独特定位：

面向 Kubernetes 的 GPU 资源层与异构算力调度能力。

结语

KubeCon EU 2026 让我们更加确信：云原生不会被 AI 替代，反而会因为 AI 被重新定义。

从展台交流，到议题分享，再到主论坛 demo，HAMi 在这次大会上的亮相，更像是一个信号：

围绕 GPU、推理与异构算力的云原生基础设施，正在进入新的阶段。

如果你同样关注 AI 基础设施、GPU 虚拟化以及 Kubernetes 在 AI 时代的演进，欢迎加入 HAMi 社区，与我们一起推动这一领域的下一步发展。