El AI Runtime de Databricks alcanza disponibilidad general

Qué anunció Databricks

Databricks afirmó el 21 de octubre de 2026 que AI Runtime (AIR) —infraestructura de GPU gestionada integrada directamente en su plataforma— ya está disponible de forma general. La compañía señaló que AIR permite a los clientes entrenar modelos fundacionales utilizando sus propios datos empresariales sin operar una infraestructura de GPU independiente.

Databricks dijo que el producto resuelve el tiempo que los equipos de IA dedican a conseguir capacidad de GPU, gestionar fallos de hardware y esperar a que se inicien los trabajos de entrenamiento. La compañía también señaló que operar la infraestructura de GPU al margen de un Lakehouse genera brechas de gobernanza y riesgos para los datos de entrenamiento sensibles.

Infraestructura y afirmaciones de rendimiento

Databricks dijo que AIR ofrece acceso sin servidor y a demanda a GPU respaldado por entrenamiento multinodo, y afirmó que el servicio ha sido "probado en condiciones reales mediante más de 100.000 horas-GPU de entrenamiento". La compañía dijo que se encarga de la adquisición de GPU, la configuración de clústeres y las redes en nombre de los clientes, y ejecuta comprobaciones de estado de las GPU y las redes antes y durante el entrenamiento para que las cargas de trabajo puedan escalar a cientos de GPU.

La compañía señaló que AIR valida las GPU antes de programar los trabajos, supervisa las cargas de trabajo activas y prueba periódicamente las GPU inactivas para retirar los nodos defectuosos. Databricks afirmó que la latencia de lanzamiento se reduce a segundos gracias a "grupos de GPU sin servidor precalentados y carga diferida de imágenes", lo que contrastó con las infraestructuras de GPU tradicionales, que requieren descargar imágenes de contenedor completas antes de ejecutar el código.

Databricks dijo que los clientes pueden acceder a las GPU mediante una interfaz de línea de comandos, cuadernos (notebooks) o entornos de desarrollo (IDE), y que migrar desde un clúster de Kubernetes o Slurm puede hacerse con una sola instrucción en lenguaje natural usando una función que la compañía denomina Databricks AIR Skills. La empresa señaló que AIR se integra con su herramienta de canalización de datos Lakeflow e incluye una función de supervisión llamada Genie ZeroOps.

Herramientas de depuración y gobernanza

Databricks dijo que desarrolló una nueva experiencia de observabilidad dentro de MLflow que transmite los registros de entrenamiento en cuestión de segundos tras el envío, y añadió un visor de registros para el entrenamiento multinodo. La compañía afirmó que una función llamada Genie Code analiza los registros de entrenamiento de AI Runtime, identifica problemas y recomienda los siguientes pasos, y señaló que esto redujo el tiempo de entrenamiento de Qwen "seis veces" en uso interno.

En materia de gobernanza, Databricks dijo que AIR funciona dentro del perímetro de gobernanza de Databricks y Unity Catalog, aplicando permisos de lectura y escritura coherentes en los datos de entrenamiento, los puntos de control (checkpoints) y los registros. La compañía afirmó que AIR ofrece aislamiento de cargas de trabajo a nivel de máquina virtual y admite PrivateLink y controles de salida sin servidor, lo que, según dijo, proporciona una protección más sólida que los métodos de aislamiento de GPU que exponen el núcleo del host.

Clientes citados

Databricks afirmó que cientos de empresas utilizan AIR en producción, y mencionó a Tubi, Robinhood, PicPay, Merck, Flo Health, TinyFish y FactSet, con casos de uso en salud, manufactura y agentes orientados al consumidor. La compañía también señaló que su propio equipo de Databricks AI Research utiliza AIR para entrenar los modelos que respaldan a KARL y AI Parse.

El anuncio incluyó declaraciones de clientes proporcionadas por Databricks. Kostia Omelianchuk, de Superhuman, dijo que trasladar un trabajo de entrenamiento a gran escala desde una configuración de un solo nodo con ocho GPU A100 a una configuración multinodo con 16 GPU H100 redujo el tiempo de entrenamiento de aproximadamente siete días a 48 horas. Nikhil Sunderraj, de FactSet, afirmó que AIR redujo el tiempo necesario para configurar, entrenar y desplegar un modelo personalizado "de días a horas". Eran Barash, de QuantHealth, dijo que AIR permite a la compañía escalar el entrenamiento distribuido en GPU sin servidor "a través de millones de registros" dentro de sus flujos de trabajo de datos existentes.

Fuente: Databricks Blog, "AI Runtime is Generally Available", publicado el 21 de octubre de 2026.