Nutanix 收购 Ryax 填补其 Agentic AI 技术栈中的关键缺口

Nutanix 于 9 月 22 日收购 Ryax Technologies，尽管市场日益拥挤，此举仍为其 Agentic AI 战略补上了一层缺失的资源管理能力。此次 Nutanix Ryax 收购让该公司获得了可跨 GPU、云、Kubernetes 集群和高性能计算系统调度工作负载的技术。

收购价格未予披露。Nutanix 表示，这笔交易对财务的影响并不重大，因此该交易更像是一笔补强型收购，而非企业转型。

不过，其战略目的远大于其披露的财务影响。Nutanix 已拥有用于运行 Kubernetes 和治理企业 AI 服务的软件，但缺少一套原生系统来决定单个 AI 任务应在哪里运行，以及每项任务应获得多少硬件资源。

Ryax 旨在填补这一空白。其软件会监测工作负载行为、调整资源请求，并根据成本、性能或能耗要求部署任务。Nutanix 计划将这些能力整合至 Nutanix Kubernetes Platform 和 Nutanix Enterprise AI。

这一计划使 Nutanix 加入了 AI 基础设施控制平面的直接竞争。NVIDIA 拥有 Run:ai 和 SchedMD，而 Red Hat、超大规模云服务商和开源项目则提供了相互竞争的调度路径。

因此，这项收购检验的是一个明确的主张：企业买家可能更青睐一个统一的混合控制层，而非分别使用绑定于特定云、加速器供应商或计算环境的调度系统。

Nutanix 找准了运营层面的难题，但尚未证明整合 Ryax 能够打造出成熟且具备商业吸引力的解决方案。

Nutanix Ryax 收购实际带来了哪些变化

Nutanix 收购的是工作负载部署智能能力，而不是另一个模型平台或 Agent 构建框架。

Nutanix 在其收购公告中将总部位于法国的 Ryax 描述为一家 AI 驱动的计算编排与管理公司。Ryax 的员工将加入 Nutanix 法国团队，并继续开发该技术。

该公司计划在两款现有产品的未来版本中加入 Ryax 的能力。Nutanix Kubernetes Platform，即 NKP，用于跨基础设施环境管理容器化应用；Nutanix Enterprise AI，即 NAI，则负责企业 AI 应用的模型交付、治理和服务。

Ryax 引入了不同的一层能力。调度器会检查工作负载需求，并选择能够执行该任务的计算资源。先进的调度器还可以考量成本、位置、可用内存、能耗和历史性能。

这之所以重要，是因为 AI 工作负载并不会以统一方式消耗硬件资源。一项推理任务可能只需在数分钟内使用一部分 GPU；另一项任务可能需要多个加速器、大规模内存分配，或访问存储于特定地点的数据。

团队往往会通过申请超出工作负载实际所需的容量来应对这种不确定性。这种做法可以减少故障，却也会让昂贵的处理器闲置。

Ryax 利用执行遥测数据来优化这些请求。Nutanix 表示，该技术可以分配 GPU 的部分容量、调整资源分配，并在内存不足导致任务失败后重试工作负载。

GPU 分片分配让多个工作负载可以共享一个加速器。随后，装箱算法会将这些工作负载集中部署，以更密集地利用可用容量。

Ryax 也支持无服务器资源分配。在这一模式下，工作负载仅在进行活跃计算时获得 GPU 容量，并在完成后释放。闲置的笔记本环境或暂停的流水线无需无限期保留同样的资源预留。

另一项重要能力是跨环境部署。Nutanix 表示，Ryax 可在 Kubernetes 集群、公有云、私有基础设施和基于 Slurm 的高性能计算系统之间调度任务。

Slurm 是超级计算机、研究机构和工程团队广泛使用的工作负载管理器。同时支持 Kubernetes 和 Slurm，使 Nutanix 有望在企业应用环境与既有计算集群之间建立桥梁。

Ryax 还能够评估 NVIDIA 和 AMD 资源。这符合 Nutanix 所强调的基础设施选择权，而非依赖单一加速器供应商的理念。

这笔交易并不会立即让上述功能覆盖 Nutanix 的整个产品组合。该公司多次表示，整合计划将在未来版本中推出。

这一区别十分重要。Nutanix 收购的是一项技术基础模块和一支专业团队。客户不会在收购完成之日就获得一个完整、统一的调度器。

眼下的改变在于战略所有权。Nutanix 现在可以围绕自己掌控的技术构建 Agentic AI 路线图，而不必完全依赖合作伙伴或上游调度项目。

这种所有权赋予 Nutanix 对产品设计、支持和整合更大的影响力，但也使其有责任将 Ryax 的专业软件转化为可在多样化客户环境中运行的企业级产品。

为什么 Agentic AI 让 GPU 调度变得更重要

Agentic AI 将基础设施问题从一次大型计算，转变为许多不断变化的服务争夺共享资源。

传统模型训练通常围绕一项相对可预测的任务展开。团队预留一个集群，运行长时间的训练流程，并在完成后释放资源。

Agentic 应用带来了不同的需求模式。它们可能调用模型、检索数据、调用软件工具、评估结果，并发起额外的模型请求。随着员工和自动化系统启动新任务，使用量也会发生变化。

Nutanix 认为，生产环境基础设施必须支持数千个 Agent、服务、用户和开发者。其 2026 年 3 月的 Agentic AI 发布公告将这种可变性界定为基础设施问题，而不只是模型问题。

这一表述有助于解释收购 Ryax 的原因。NKP 可以运行 Kubernetes 集群，NAI 可以提供模型并应用治理政策，但两者都无法自动决定每项不断变化的任务的最佳部署位置。

缺少智能资源层时，平台团队需要手动做出大量决策：选择集群规模、预留内存、分配 GPU，以及判断任务应在本地硬件还是云服务上运行。

随着工作负载行为变化，这些选择会逐渐过时，也可能在不同团队之间产生彼此冲突的目标。

开发者通常希望获得快速访问和充足容量；财务团队希望提高利用率并实现可预测的支出；安全负责人希望敏感数据保留在获批准的环境中；可持续发展团队则可能优先考虑能耗。

部署系统可以将这些要求转化为调度规则。它无法消除冲突，但可以让决策变得可重复且可见。

Nutanix 的技术整合计划指出了三个反复出现的问题：闲置加速器、数据移动和多租户隔离。

闲置硬件会直接影响成本。数据移动可能增加延迟和传输费用。密集部署工作负载能够提高利用率，但也会引发用户之间隔离与相互干扰的问题。

Ryax 的设计目标是在执行时评估这些约束。Nutanix 希望结合后的系统利用历史遥测数据，而不是让资源分配无限期固定不变。

这种机制的重要性超过了为基础设施产品附加“Agentic AI”这一说法。它应对的是不可预测的应用需求与静态硬件预留之间的不匹配。

以接收不规则批次的文档处理工作流为例。为该工作流预留整块 GPU 可以提供即时访问，但其中大部分容量可能处于闲置状态。

调度器可以在文档到达时分配一部分 GPU，并将该容量随后归还给共享资源池。另一支团队可在处理间隔期间使用同一加速器。

另一种工作负载可能包含无法离开私有设施的机密数据。调度器可以将这类任务保留在本地，同时将敏感性较低的任务发送至可用的云容量。

这一概念并不复杂。可靠执行则困难得多，因为调度器需要准确的遥测数据、政策上下文、硬件知识，以及与多个基础设施系统的整合。

Agentic 工作负载还带来了面向批处理的调度器未必能妥善处理的延迟要求。交互式 Agent 并不总能排在大型训练任务之后等待。

因此，Nutanix 必须支持多种调度模式，同时不能掩盖关键权衡。成本优化、响应时间、数据位置和隔离要求，可能会指向不同的部署决策。

这项收购为 Nutanix 提供了应对这些决策的技术，但并未免除客户建立优先级和治理政策的必要性。

具备 GPU 感知能力的调度成为主要竞争考验

核心竞争在于：Nutanix 的供应商中立混合调度器，与 NVIDIA 对加速器调度层更深入的控制之间的较量。

NVIDIA 于 2024 年收购 Run:ai，并于 2025 年 12 月完成对 SchedMD 的收购。Run:ai 专注于优化 AI 工作负载，而 SchedMD 开发 Slurm。

这一组合使 NVIDIA 同时贴近基于 Kubernetes 的 AI 调度和成熟的 HPC 工作负载层，也补充了 NVIDIA 在 AI 加速器及相关软件领域的主导地位。

Ryax 为 Nutanix 提供了一条独立的调度路径。该公司表示，工作负载可在 NVIDIA 和 AMD 集群、Kubernetes 集群、公有云和 Slurm 环境之间迁移。

自从 Nutanix 扩大与 AMD 的合作关系以来，加速器中立性对其而言变得更加重要。2026 年 2 月，两家公司宣布建立一项涉及 AMD 处理器、Instinct 加速器和 ROCm 软件的 AI 基础设施合作伙伴关系。

该协议包括一项战略投资，以及用于工程开发和市场拓展的资金。Ryax 有助于将这一多供应商战略转化为实际的工作负载部署决策。

能够识别 NVIDIA 和 AMD 资源的调度器，可以根据可用性、政策和工作负载兼容性选择容量。这将支持 Nutanix 更广泛的客户选择权主张。

不过，硬件中立性并不保证软件支持具有同等水平。AI 框架、模型和经过优化的库在不同加速器环境中的表现可能不同。

调度器必须理解这些差异，而不能将每块 GPU 视为可互换资源。它还必须在任务跨基础设施类型迁移时提供可预测的结果。

NVIDIA 在这方面占据优势，因为它掌控着更多周边技术栈。其对调度公司的所有权能够加强加速器、驱动程序、软件库和工作负载管理器之间的协同。

Nutanix 提供了不同的价值主张。它并非只优化某一个硬件系列，而是希望协调客户已在多个环境中运行的基础设施。

这一差异对拥有混合环境的企业至关重要。大型组织可能同时拥有私有 GPU 服务器、Slurm 研究集群、两家公有云提供的容量，以及新购置的 AMD 系统。

没有任何一家超大规模云服务商能够原生优化跨越所有这些地点的工作负载。每家云服务商都拥有强大的内部调度能力，但其商业激励核心仍是推动自身平台内的消费。

Red Hat 则通过 OpenShift AI 提供了另一条竞争路径。它可以将 Kubernetes 与 Kueue、KubeRay 等上游工具，以及厂商特定的 GPU operator 相结合。

开源项目提供了灵活性和广泛兼容性，但也让客户或服务合作伙伴负责集成、测试、监控和生命周期管理。

Nutanix 押注企业买家会愿意为受支持的组合付费。NKP 将运行应用环境，NAI 将治理 AI 服务，而 Ryax 技术将决定资源放置。

如果这些产品能够作为一个平台协同运行，这种组合可以减少集成工作量。若它们仍保留各自独立的管理模式，这笔收购就只是增加了另一个组件。

Broadcom 的 VMware 产品组合同样仍具相关性。VMware Private AI Foundation with NVIDIA 面向希望在既有 VMware 环境内运行 AI 基础设施的组织。

Nutanix 可以借助 Ryax 强化其对正在重新评估虚拟化平台客户的吸引力。跨云和 Slurm 支持或许能提供比本地私有 AI 部署更广泛的资源放置模型。

不过，Nutanix 进入调度竞争的时间晚于多家竞争对手。独立分析师 Steve McDowell 在其竞争评估中指出，Ryax 让 Nutanix 获得了可信的入场资格，但尚未成为市场领导者。

这正是关键区别。Nutanix 现在拥有相关技术与专业能力，但仍需要成熟的集成、客户案例和运营层面的证据。

Ryax 的效率声明仍需独立验证

最突出的性能数据来自厂商测试，而产品可用性、定价和集成细节仍未明确。

Nutanix 在宣布收购时公布了多项具体结果。据称，Ryax 在一次包含 30 次运行的深度学习突发任务中测试了按单次执行进行资源规格配置的方式，并将节点小时数减少了 62%。

据称，同一测试的完成速度也提升了 5.7%。另一项 Ryax 测试则利用 NVIDIA Multi-Instance GPU 功能，在一块 H100 上放置了四个并发执行任务。

Nutanix 表示，该配置将单次执行成本降低了 52%。它还称，在一个文档智能工作流中，无服务器分配将 GPU 占用时长从数小时缩短至数分钟。

这些数据说明了其预期机制，但并不能证明每一位 Nutanix 客户都会获得同样的结果。

据 Nutanix 称，测试由 Ryax 执行。两家公司尚未发布独立的基准测试包，涵盖工作负载定义、集群配置、利用率基线或调度开销等内容。

百分比改进高度依赖于初始配置。一个规格配置不佳的工作负载，在经过基本的合理规格调整后，可能产生显著节省；而一个已经优化的环境，改善幅度可能较小。

批处理与对延迟敏感的推理场景之间，结果也可能不同。只有当四项任务能够共存，且不会造成不可接受的性能下降或内存争用时，将它们打包至同一块 GPU 才能提高密度。

Nutanix 必须展示调度器如何处理“吵闹邻居”、不断变化的内存需求、硬件故障和突发负载。企业买家还将期待隔离控制和完整的审计记录。

跨云资源放置会带来更多复杂性。将计算迁移到可用容量附近，可能触发数据传输费用、合规问题以及更长的网络路径。

更低的每小时计算费率并不总意味着更低的总成本。调度器需要在其放置逻辑中纳入数据重力、传输费用和服务依赖关系。

能源感知调度也存在类似的衡量问题。Nutanix 表示，Ryax 可以通过硬件功耗模型对集群进行评分，并选择能耗较低的目标位置。

这一功能或许能帮助组织自动执行可持续发展政策。其价值取决于模型是否准确、假设是否透明，以及审计人员能否检查相关报告。

集成风险才是近期更大的问题。Nutanix 尚未公布 Ryax 功能在 NKP 或 NAI 中的确切发布日期。

其商业模式同样尚不清晰。客户目前还不知道这些功能会出现在现有订阅中、作为独立附加组件提供，还是包含在产品套装内。

支持边界也需要明确。跨越 Nutanix 软件、公有云、Slurm、Kubernetes 和第三方硬件的工作负载，可能在多个层面发生故障。

客户会希望获得统一的诊断视图和清晰的升级路径。否则，统一调度可能带来统一的复杂性，却没有统一的责任归属。

Ryax 的开源根源也带来另一个问题。其网站将其核心描述为开源，但 Nutanix 尚未详细说明该项目未来的治理或许可模式。

现有 Ryax 用户和贡献者需要明确其持续访问权限、公开开发方式，以及在 Nutanix 环境外的兼容性。这里的变化可能影响开发者和研究机构的采用意愿。

Nutanix 还必须证明其策略自动化仍然易于理解。调度器可以作出数千项决策，但运营人员仍需知道工作负载为何被迁移。

当资源放置影响受监管数据、服务延迟或财务承诺时，这一要求尤为重要。建议需要解释、覆盖机制和可审计的历史记录。

收购公告描述的是预期成果，而非具有合同约束力的产品承诺。Nutanix 明确将许多集成和性能表述归类为前瞻性声明。

因此，企业买家应将这笔收购视为路线图信号。当集成版本、文档和可重复测试正式可用时，这项技术才值得评估。

三项信号将显示这笔交易是否重要

只有当 Nutanix 将 Ryax 的技术转化为可交付的软件、经验证的效率和客户采用时，这笔收购才算成功。

第一项信号是带有明确日期的产品发布。Nutanix 需要说明哪些版本的 NKP 和 NAI 将纳入 Ryax 功能。

可信的发布应涵盖安装、支持的基础设施、遥测数据收集、策略配置、故障恢复和产品许可。仅有演示不足以证明产品已具备就绪度。

最具说明力的功能将是跨多个环境的端到端资源放置。客户应能够提交一个工作负载，并观察平台为何选择特定目标位置。

如果 Nutanix 能以一致的治理方式交付这一工作流，这笔收购的逻辑将更具说服力。反复延期或集成范围狭窄，将削弱统一控制层的价值主张。

第二项信号是独立的性能证据。Nutanix 应发布可复现的测试，覆盖推理、批处理、微调和混合多租户环境。

这些测试应报告利用率、完成时间、调度开销、故障率和基础设施总成本，并解释基线配置。

独立客户的测量结果比厂商公布的百分比更具分量。最有价值的案例将来自已经运行异构基础设施的组织。

同时使用 Kubernetes 和 Slurm 的客户可以验证 Ryax 最具特色的承诺。另一家运行 NVIDIA 和 AMD 加速器的客户，则可以测试硬件中立性是否超越营销话术。

第三项信号是持续的生产环境采用。Nutanix 应披露客户如何在 NKP、NAI、私有基础设施和外部云之间使用调度能力。

采用情况之所以重要，是因为这一产品类别依赖信任。平台团队不会在缺乏可预测行为和有效控制的情况下，委托平台放置关键 AI 工作负载。

生产案例不应只描述安装过程，还应展示团队是否减少了闲置容量、淘汰了自定义调度脚本，或整合了分离的管理系统。

竞争对手的行动将提供辅助证据。NVIDIA 可以深化 Run:ai、Slurm 与其加速器技术栈之间的集成。Red Hat 可以将更多上游调度能力打包进 OpenShift AI。

超大规模云服务商也可以改善与本地基础设施的连接。任何一种回应都会加大 Nutanix 快速交付的压力。

因此，Nutanix 收购 Ryax 是一项聚焦于将调度器作为战略控制点的押注。模型吸引关注，但基础设施经济性决定企业 AI 能否在生产环境中持续运行。

Nutanix 已经为应用和数据销售混合运营模式。Ryax 为其提供了一条路径，可将该模式应用于每一次 GPU 分配和每一个 AI 任务。

这一路径具有可信度，因为收购的技术填补了一个明确的架构缺口；它仍存在不确定性，因为计划中的集成尚未全面可用。

对企业买家而言，务实的做法是关注路线图，而不是接受标题式的效率声明。应询问哪些环境获得支持、资源放置决策如何解释，以及跨越基础设施边界时由谁负责故障。

开发者和平台团队还应关注，是否由一种策略模型统一治理 Kubernetes、Slurm 和云容量。碎片化的控制方式将削弱这笔收购的核心价值。

如果 Nutanix 交付集成版本、独立结果和生产案例，Ryax 将不只是一次小型收购。它将让 Nutanix 在 AI 资源编排领域获得有意义的地位。

如果这些信号没有出现，这笔交易仍将是一项前景可期的技术补充，却无法证明 Nutanix 能够挑战更大型的调度平台。