要点
- NVIDIA（2026-11-02）介绍 AI Cluster Runtime（AICR）：把调优配置收成可复用配方，生成部署包并校验运行中集群，面向 Vera Rubin NVL72 Day-1。
- 相对 GB200：新驱动分支（验证于 host-managed R615.23 open KMD）、ConnectX-9/BlueField-4 + DOCA 3.3.0 测试床、改变的 NIC/GPU/DMA 拓扑；IMEX 仍用于多节点 NVLink。
- 端到端：GPU Operator v26.7.0 + DRA driver v0.5.0；训练配方跨节点 NCCL all-reduce 门禁达 **744.71 GB/s** bus bandwidth（16 GiB，NVLink fabric）。
- 早期硅片校验曾因 go-nvlib 未映射 Rubin 架构值使 DRA kubelet 插件崩溃环；修复进入官方 DRA v0.5.0。配方状态为 Preview，非 Supported 生产资格。
新 GPU 机架要进 Kubernetes，失败模式很少是「不知道有 GPU」，而是驱动、内核页大小、容器运行时、DRA/IMEX、网络与调度器之间的组合错误。NVIDIA 技术博客（2026-11-02）把 Vera Rubin NVL72 的答案写成 AI Cluster Runtime（AICR）：配方 → 部署包 → 校验。
中心判断：Day-1 AI 就绪靠的是可复现的配方与带性能门禁的校验，而不是每个集群重新发现同一批尖刺。
[1]发生了什么
AICR 属于 DSX AI Factory 叙事：用 aicr recipe 按 service/accelerator/os/intent 解析组件，再 aicr bundle 生成有序 Helm 包。Vera Rubin 配方族（RKE2、vr200、Ubuntu，训练/推理/Dynamo 变体）在 Preview 状态编码了 bring-up 决策：host-managed 驱动（driver.enabled: false）、DRA ComputeDomains、Kubernetes ≥1.34.1、Ubuntu 26.04 + 64k 页内核，以及上调 NFD topology updater 内存以免多 TB 节点 OOM。
相对 GB200 NVL72，用户可见变化包括新驱动分支、ConnectX-9/BlueField-4、改变的亲和拓扑，以及 Rubin 新 MIG 档（本配方用整 GPU、未覆盖 MIG）。
[1]证据有多硬
验证钉在真实参考集群：官方 GPU Operator v26.7.0 与 DRA driver v0.5.0，host R615 驱动。训练与推理变体通过部署与一致性；训练侧跨节点 NCCL all-reduce 经 IMEX ComputeDomain，bus bandwidth 744.71 GB/s（16 GiB）。作者记录早期硅片曾因硬件/fabric 问题使一盘托架掉出 NVLink，复位后恢复——把「硬件现实」写进叙事。
软件侧硬证据：校验曾撞上 go-nvlib 未映射 Rubin 架构值，DRA kubelet 插件崩溃环；修复进入 DRA v0.5.0。第二天第二套集群复现同一结果，被用来支撑「配方可重复」主张。
[1]钢人与缺口
钢人：把组合爆炸收成版本化配方，是平台团队唯一可审计的缩放方式；把性能门禁（NCCL）与一致性门禁并列，避免「Pods Running」假绿色。
缺口：配方明确 Preview，非 Supported 生命周期；R615.23 是当前测试版而非官方最低承诺；DraNet/ConnectX-9 的 RDMA 数据路径性能不在本次校验内；MIG 未覆盖；早期访问硬件故事不可由读者复现。数字来自 NVIDIA 自测。
[1]谁付钱、谁该改问题清单
对平台与超算采购：Rubin 升级清单应包含配方版本、DRA/IMEX 模式、内核页大小与 NFD 内存限，而不仅是 GPU 计数。对运维：把「未映射 PCI/架构值」类失败当成发布阻塞，而不是节点脏数据。对生态：GB200 运行手册不能无损粘贴到 Rubin。
[1]六个月看什么
可证伪下一跳：配方升到 Supported 后，第三方集群是否仍能在数小时内复现部署+一致性+NCCL 门禁；ConnectX-9 RDMA 与 MIG 路径补齐后结论是否改写；若缺少 AICR、只靠散装 Operator，Day-1 失败率是否显著上升。主张不是「Rubin 已经生产无痛」，而是：没有配方化校验，Day-1 只会把同样的尖刺再付一遍。
[1]