Cargas de IA estão forçando o autoscaling do Kubernetes a repensar a divisão entre scheduler e autoscaler

O problema descrito pela CNCF é conhecido de quem opera GPU em cluster: o pod fica pending sem que a região tenha acabado de fato com a capacidade. O autoscaler responde à pergunta para a qual foi feito (adiciono um node?), mas o scheduler pode recusar o node que ele escolheu. Resultado: acelerador caro parado e job sem rodar.

O artigo aponta três frentes. Em reservations, o autoscaler precisa considerar capacidade já comprometida e paga. Em topology, o que importa é a ligação entre dispositivos (NUMA, PCIe, links entre aceleradores), não só a contagem. No sharing, partitionable devices e consumable capacity permitem entregar fração de um dispositivo em vez dele inteiro. O Dynamic Resource Allocation (DRA) dá ao scheduler claims estruturados, e autoscalers com suporte a DRA começam a usar a mesma informação, mas a adoção varia conforme a implementação.

Linguagem comum não resolve tudo. Em gang scheduling, o scheduler já aprende a tratar um grupo como unidade, via Workload e PodGroup (beta e desabilitados por padrão). O autoscaler ainda raciocina pod a pod. A ponte atual é o provisioning request, que com Kueue pede a capacidade do grupo inteiro de uma vez, em regime de melhor esforço e dependente do provedor.

A cobertura anterior do CEVIU acompanhou as peças separadas. Em 30 de março de 2026, a matéria sobre Alocação Dinâmica de Recursos mostrou o DRA como base para gerenciar GPUs e TPUs por solicitações. Em 15 de maio de 2026, a matéria sobre o Kubernetes v1.36 trouxe a divisão da API de Workload e o novo PodGroup para scheduling de workloads. Agora a discussão sobe um degrau: o lado do scheduler avançou, e o gargalo passa a ser o autoscaler acompanhar esse vocabulário. Há uma proposta pública na SIG-Autoscaling para APIs de integração entre os dois.

Para quem faz plataforma e FinOps, pod pending com GPU ociosa é custo direto. A dica prática do artigo: antes de concluir que a capacidade acabou, verifique se scheduler e autoscaler concordam sobre o que é um node utilizável. Em inferência, com carga em rajadas, um node frio custa caro.