Databricks AI Runtime erreicht allgemeine Verfügbarkeit

Was Databricks angekündigt hat

Databricks erklärte am 21. Oktober 2026, dass AI Runtime (AIR) – eine verwaltete GPU-Infrastruktur, die direkt in die Plattform integriert ist – nun allgemein verfügbar sei. Das Unternehmen teilte mit, AIR ermögliche es Kunden, Foundation-Modelle mit eigenen Unternehmensdaten zu trainieren, ohne einen separaten GPU-Stack betreiben zu müssen.

Databricks erklärte, das Produkt adressiere den Zeitaufwand, den KI-Teams für die Sicherung von GPU-Kapazitäten, den Umgang mit Hardwareausfällen und das Warten auf den Start von Trainingsjobs aufbringen. Das Unternehmen erklärte zudem, der Betrieb von GPU-Infrastruktur getrennt von einem Lakehouse schaffe Governance-Lücken und Risiken für sensible Trainingsdaten.

Aussagen zu Infrastruktur und Leistung

Databricks erklärte, AIR biete serverlosen On-Demand-Zugriff auf GPUs, gestützt auf Multinode-Training, und bezeichnete den Dienst als „durch mehr als 100.000 GPU-Stunden an Trainingsläufen erprobt“. Das Unternehmen erklärte, es übernehme im Auftrag der Kunden die GPU-Beschaffung, Cluster-Konfiguration und Netzwerkanbindung und führe vor und während des Trainings Gesundheitschecks für GPUs und Netzwerke durch, damit Workloads auf Hunderte von GPUs skaliert werden können.

Das Unternehmen erklärte, AIR validiere GPUs vor der Zuweisung von Jobs, überwache aktive Workloads und teste im Leerlauf befindliche GPUs regelmäßig, um fehlerhafte Knoten zu entfernen. Databricks erklärte, die Startlatenz werde durch „warme, serverlose GPU-Pools und verzögertes Laden von Images“ auf Sekunden reduziert, was es mit herkömmlichen GPU-Stacks kontrastierte, die vor der Codeausführung den vollständigen Download von Container-Images erfordern.

Databricks erklärte, Kunden könnten über eine Kommandozeilenschnittstelle, Notebooks oder IDEs auf GPUs zugreifen, und die Migration von einem Kubernetes- oder Slurm-Cluster lasse sich mit einer einzigen Eingabe in natürlicher Sprache über eine Funktion namens Databricks AIR Skills durchführen. Das Unternehmen erklärte, AIR sei in das Pipeline-Tool Lakeflow integriert und enthalte eine Überwachungsfunktion namens Genie ZeroOps.

Debugging- und Governance-Werkzeuge

Databricks erklärte, man habe innerhalb von MLflow eine neue Observability-Funktion entwickelt, die Trainingsprotokolle innerhalb von Sekunden nach der Übermittlung streamt, und zudem eine Protokollansicht für Multinode-Training hinzugefügt. Das Unternehmen erklärte, eine Funktion namens Genie Code analysiere Trainingsprotokolle von AI Runtime, identifiziere Probleme und empfehle nächste Schritte; im internen Einsatz habe dies die Trainingszeit von Qwen „um das Sechsfache“ verkürzt.

In Bezug auf Governance erklärte Databricks, AIR operiere innerhalb des Governance-Rahmens von Databricks und Unity Catalog und setze einheitliche Lese- und Schreibrechte für Trainingsdaten, Checkpoints und Protokolle durch. Das Unternehmen erklärte, AIR biete eine Workload-Isolation auf VM-Ebene und unterstütze PrivateLink sowie serverlose Egress-Kontrollen, was nach eigenen Angaben stärkeren Schutz biete als GPU-Isolationsmethoden, die den Host-Kernel offenlegen.

Genannte Kunden

Databricks erklärte, Hunderte von Unternehmen nutzten AIR im produktiven Einsatz, und nannte dabei Tubi, Robinhood, PicPay, Merck, Flo Health, TinyFish und FactSet, mit Anwendungsfällen im Gesundheitswesen, in der Fertigung und bei kundenseitigen Agenten. Das Unternehmen erklärte zudem, das eigene Databricks AI Research Team nutze AIR zum Training der Modelle hinter KARL und AI Parse.

Die Ankündigung enthielt Kundenaussagen, die von Databricks bereitgestellt wurden. Kostia Omelianchuk von Superhuman erklärte, die Verlagerung eines groß angelegten Trainingsjobs von einem Single-Node-Setup mit acht A100-GPUs auf ein Multi-Node-Setup mit 16 H100-GPUs habe die Trainingszeit von rund sieben Tagen auf 48 Stunden verkürzt. Nikhil Sunderraj von FactSet erklärte, AIR habe die Zeit für die Einrichtung, das Training und die Bereitstellung eines individuellen Modells „von Tagen auf Stunden“ reduziert. Eran Barash von QuantHealth erklärte, AIR ermögliche es dem Unternehmen, verteiltes Training auf serverlosen GPUs „über Millionen von Datensätzen“ innerhalb der bestehenden Datenworkflows zu skalieren.

Quelle: Databricks Blog, „AI Runtime is Generally Available“, veröffentlicht am 21. Oktober 2026.