返回资讯中心
外部精选
软件工程
#开发实践#Artificial Intelligence, Cloud Computing, Cloud-Native, Generative AI, Kubernetes and Containers

AI agent 会让 Kubernetes 过时吗?KubeCon 吸引超万人参会

来源标题:Will agents make Kubernetes obsolete?

KubeCon 上周吸引超过一万名参会者,但有人质疑 Kubernetes 在 AI 时代的价值。文章认为,AI agent 能替开发者完成配置工作,但不再需要手动配置基础设施,与不再需要可靠的基础设施是两回事。Linux Foundation CEO Jim Zemlin 也认为,拥抱 AI 的人恰恰理解底层原语为何仍然重要。

InfoWorld2026/11/17 · 今天21 分钟阅读

以下正文由 AI 翻译自 InfoWorld(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

我从没在 Kubernetes 领域工作过,所以即便是 KubeCon 这样的大型活动就在家门口举办,也很少会第一时间想到它。上周它吸引了超过一万名参会者,可我的一位好朋友仍然质疑它在 AI 时代的相关性。我在一篇帖子里提到了 KubeCon,他回短信说:“现在没人关心那些原语了。Agent 直接把东西建出来就行了!”

我发现自己竟然同意他的说法,但只持续了片刻。对于我们这些活在 AI 里的人,很容易忘记企业落地的现实。多年来我一直警告不要因为跟风而采用 Kubernetes,我也并不怀念开发者花整个下午去解读部署配置的日子。如果 agent 能把这份活儿替他们省了,那当然好。

但“不再想配置基础设施”和“不再需要能正常工作的基础设施”之间,有着相当大的区别。那些认为 Kubernetes 的过时只差一个 prompt 的人,现实会给他们上一课。

事实上,许多拥抱 AI 的人,恰恰是理解为什么原语仍然重要的人。我把这个观点抛给了 Linux Foundation CEO Jim Zemlin,说:“AI 改变我们创造软件的方式,比它消除运维工作的速度要快。”他回短信说:“没错,代码是便宜了,但信任很贵。”这比拿对 YAML 的怀旧来解释 KubeCon 的相关性要好得多。

AI 人群早已在这里

Kubernetes 圈子并不是对 AI 过敏。远非如此。正如最近 CNCF 和 SlashData 的一份报告所指出的,75% 的云原生开发者使用 AI 编码工具,而非云原生同行中这一比例是 55%。当然,云原生开发者并不等同于 Kubernetes 运维人员。即便如此,也很难找到数据支持“Kubernetes 基础设施社区在顽固抵制 AI”这一说法。这两种兴趣是重叠的。

我们也不该假装企业级 agent 大多还是想象。Zapier 11 月 9 日的调查发现,71% 受访者所在的组织已有 agent 在生产环境中运行。考虑到样本是 513 名有 AI 经验的美国管理者、且所在公司至少有 1000 名员工,这可能不完全具有代表性。这也可能不是报告中最有趣的发现。真正吸引我注意的是:在使用 agent 的组织中,只有 30% 的领导者表示这些 agent 能在无人工干预的情况下完成超过 60% 的分配任务。

这很不错。这是真实的采用。但距离把业务交给机器人去跑,还有很长很长的路。

事实上,这两项调查都挑战了我朋友那套漫不经心的“AI 会搞定一切”的说法。企业可以热情地使用 AI,同时坚持其应用保持安全、可恢复、可负担。这并不说明他们慢。这体现的是成熟,以及愿意承担比一段炫酷录屏更大的责任。

毕竟,一个 agent 生成一个服务,并不能决定它该访问哪些客户记录、该获得多少容量,或在资源紧张时哪个其他应用优先。这些决策依然存在,即便软件越来越多地执行它们。

推理的成本还是得付

Zemlin 说,KubeCon 上的人们关注的是安全和用更少的硬件与电力获得更高性能。“这并不容易,”他补充道。

以招商银行为例。在 CNCF 9 月发布的一份案例研究中,该银行描述了在近一万张加速卡上支持 AI 训练和推理的情况。它的问题不是单纯找到更多硬件,而是可预测性和响应能力:训练需要可预测的容量,面向客户的推理需要响应变化的需求。为高峰流量预留容量会在低谷期浪费钱,而扩容太慢又会让用户等待。

该银行将 Kubernetes 与调度、监控、扩缩容和模型数据搬运工具结合起来,效果显著。据其报告,加速卡的平均计算利用率从 35% 提升到 60% 以上,在可比模型和服务下,每百万 token 的推理成本下降了 60% 以上。突然间,不那么酷的 Kubernetes 确实变得很酷了,因为它帮助大幅降低了 AI 的成本。

显然,有人是在乎原语的。

这正是“agent 直接把东西建出来”这一论点所跳过的地方。一个应用可以在演示中运行得很好,同时消耗远超应有的资源。一次部署可以成功,却留给下一个团队去发现它的权限过宽。更快地生成配置,并不能证明它就是正确的配置。等等,等等。

正如 Isolvalent 联合创始人 Thomas Graf 在 2023 年对我说的,平台团队越来越被期望在满足企业要求的同时,“不破坏、不回退在敏捷性和开发者效率上已取得的成果”。这份工作是交付管控,同时保留开发者构建的自由。这仍然是对 agent 需要从平台获得什么的一个很好的描述。

AI 带来自己的基础设施难题

更新的工作负载也需要一些更新的答案。11 月 5 日,Google 宣布了 Agent Substrate 1.0 及其在 Google Kubernetes Engine 上的正式可用,同时将 Agent Substrate、gVisor 和 OpenRL 捐赠给 CNCF。透过那些花哨的辞藻,问题其实是熟悉的。Agent 执行代码、等待模型响应、保留状态,并且需要限制它们能访问什么。在 agent 等待时保持专用计算运行是浪费的;在没有足够隔离的情况下运行生成的代码是危险的。

Google 的方法是将持久的 agent 状态与可复用的执行环境分离,并通过网关强制访问控制。Google 长期以来一直处于 AI 的前沿。尽管有 AI 的光环(或许正因如此),Google 显然认为基础设施仍然重要。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →