DRA 还不够：HAMi v2.9 为什么要做生态联盟？
「不卷算力卷效率 | HAMi 社区 Meetup」深圳站由 HAMi 社区发起，密瓜智能主办，2026 年 4 月 25 日在深圳圆满结束。本文为 HAMi 社区 Meetup 深圳站回顾系列第二篇。HAMi Maintainer 李孟轩首次公开 v2.9 版本核心特性，深度解析 DRA 技术演进路径，并展望异构算力统一管理的社区愿景。
演讲嘉宾： 李孟轩（密瓜智能联合创始人兼 CTO / HAMi Maintainer）
核心亮点
- GPU 共享让集群利用率从 20% 提升到 70%，可用资源翻两倍以上
- v2.9 引入 kai-resource-isolator，从「能共享」迈向「安全共享」
- 昇腾 910C 用户态软切分，无硬件隔离也能实现类 MIG 虚拟化
- DRA 三大挑战——HAMi 以「轻量版」思路补齐
- 显存扩缩容预计 2.10 版本合入主干
视频回放及 PPT 下载
一、HAMi 的核心命题：让每一分算力都被充分利用
作为 HAMi 项目的 Maintainer，李孟轩对 GPU 资源浪费这个话题有着最直接的体感。他一上来就抛出了一个问题：在 Kubernetes 里，GPU 是怎么分配的？答案很残酷——一整张卡绑给一个 Pod，用不完也不能给别人。这种"大锅饭"式的独占分配，在 AI 算力本来就紧张的当下，浪费尤为刺眼。
HAMi 作为一个 CNCF Sandbox 项目，本质上就是在做一件事：把 GPU 从"独占"变成"共享"。具体来说，它带来了几个关键改变：
- 多任务复用：通过 GPU 虚拟化技术，一张物理卡可以同时服务多个任务，彻底打破独占模式
- 利用率跃升：集群平均 GPU 利用率从 20% 提升到 70%，可用资源翻了两倍以上
- 异构统一：不管底下是英伟达、昇腾还是寒武纪，上层统一调度、统一监控，屏蔽硬件差异
- 拓扑感知：自动识别卡间的物理拓扑（比如哪些卡是直连的），让多卡任务的通信效率最优
这四个能力组合在一起，就是 HAMi 给异构算力管理交出的核心答卷。
二、v2.9 版本核心特性
聊完项目定位，李孟轩把话题转向了即将发布的 HAMi 2.9 版本。这个版本在生态兼容和国产芯片支持上动作不小。
1. 支持 KAI-scheduler 资源隔离
在 GPU 共享场景里，"能共享"和"安全共享"是两回事。如果两个租户的任务跑在同一张卡上，彼此之间没有隔离，就会出现互相抢占资源的问题。v2.9 新增了 kai-resource-isolator 组件，专门解决 KAI-Scheduler 场景下的底层资源隔离。从"能共享"到"安全共享"，这是 HAMi 在多租户方向上迈出的关键一步。
2. Volcano vGPU 版本升级
底层 Device Plugin 升级到了 0.19 版本，支持 CDI 模式，同时适配了最新的英伟达驱动和设备。对于已经在生产环境使用 Volcano vGPU 的团队来说，这次升级意味着更好的稳定性和兼容性。
3. 昇腾 910C 用户态切分
这是 v2.9 里最值得关注的国产芯片支持进展。昇腾 910C 不支持类似英伟达 MIG 的硬件级隔离，但 HAMi 在软件层面找到了方案——通过环境变量来控制算力和显存的分配上限，用纯软件的方式实现了类似 MIG 的虚拟化效果。对于大量使用国产芯片的用户来说，这个功能很实用。
三、DRA：异构算力管理的下一站
DRA（Dynamic Resource Allocation）是 Kubernetes 社区在资源管理方向上的下一代技术。李孟轩没有回避 DRA 当前的问题，而是做了非常坦诚的分析。
DRA 当前的三大挑战
DRA 当前有以下三大挑战：
- API 稳定性问题：DRA 仍处于快速演进阶段，接口频繁变动，芯片厂商在开发和维护驱动时面临较高的不确定性与成本压力
- 运维能力缺失：缺乏集群级监控与调度事件观测等关键能力，难以支撑生产环境运维需求
- 拓扑表达受限：难以表达复杂的物理拓扑结构（例如特定加速卡之间的直连关系），限制了调度优化空间
HAMi DRA 解决方案：轻量版 HAMi
面对这些挑战，HAMi 的思路是做一个"轻量版 HAMi"：
- 向上：屏蔽 DRA API 的复杂性和不稳定性，给用户一个简洁的接口
- 向下：提供统一的资源申请入口，对接各种异构硬件驱动
- 补齐：原生 DRA 目前缺少集群监控和调度事件等运维能力，HAMi 来补上
此外，HAMi 正在联合英伟达、燧原（Enflame）、华为昇腾等芯片厂商，共同验证 DRA 驱动的适配情况，推动 DRA 在异构算力场景下尽快落地。
四、现场问答精选
演讲结束后，现场观众踊跃提问。以下是几个比较有代表性的问题和李孟轩的回应：
Q1：HAMi 是否支持动态扩缩容？
显存扩缩容功能已经在开发中了，预计会在 2.10 版本合入主干。但 GPU 卡数的热扩增（Hot Plug）目前还做不到——这个能力依赖容器运行时的支持，Kubernetes 层面暂时无法直接实现。
Q2：HAMi 如何与 Volcano 等调度器配合？
完全兼容。HAMi DRA 可以作为轻量级中间件，和 Volcano 等调度器协同工作——Volcano 负责队列管理和批处理调度，HAMi 负责 GPU 的资源切分和复用，各司其职。
Q3：GPU 利用率瓶颈在数据传输，虚拟化意义何在？
这个问题的前提是对的——训练场景下，瓶颈确实在数据传输。但推理场景不一样，很多推理服务存在明显的波峰波谷，没请求的时候 GPU 就在空转。虚拟化的价值在于让多个推理任务错峰共享同一张卡，把原本空跑的算力利用起来。这是典型的性能和利用率的 Trade-off。
五、总结
李孟轩这次演讲清晰地勾勒出了 HAMi 项目的发展全景：从 GPU 共享的核心价值，到 v2.9 在资源隔离和国产芯片支持上的实用进展，再到面向 Kubernetes DRA 的前瞻布局。
几个核心要点值得记住：
- GPU 共享不是噱头，是刚需。 集群利用率从 20% 提升到 70%，这不是理论数字，而是已经在生产环境中得到验证的成果。
- 多租户安全共享是下一个关键课题。 v2.9 引入的 kai-resource-isolator 正在把 HAMi 从"能共享"推向"安全共享"。
- 国产芯片适配需要软件层面的创新。 昇腾 910C 的用户态切分方案证明，即使没有硬件级隔离，也能通过软件手段实现 GPU 虚拟化。
- DRA 是方向，但路还很长。 HAMi 选择以"轻量版"的思路参与 DRA 生态，既降低了用户的接入门槛，也为异构算力统一管理提供了可落地的路径。
HAMi 正在从一个 GPU 共享工具，逐步演进为一个覆盖多芯片、多云环境的异构算力管理平台。如果你对 HAMi 感兴趣，欢迎关注项目 GitHub 仓库，加入社区一起参与建设。