AI热榜 Agent 时代，哪些方向正在成为行业关键变量？
50 + 实战案例揭晓答案！
模型参数规模不断突破，推理成本持续下降，开源生态日益繁荣。
当模型能力逐渐成为行业共识，一个新的问题开始浮现：当人人都能获得强大的模型能力之后，真正的竞争力还剩下什么？
答案正在从模型能力本身，转向围绕模型构建可规模化的智能系统；从单点能力提升，转向系统工程与组织级落地能力。
在这一背景下，2026 年 AICon 人工智能开发与应用大会 · 深圳站正式启动。
本次大会将于 8 月 21 日—22 日举办，聚焦 AI 基础设施、大模型系统、智能体工程、数据智能、多模态技术与行业落地等关键方向，邀请来自腾讯、阿里、华为、百度、蚂蚁集团等 50 + 头部科技企业技术负责人、科研机构一线专家，系统性分享前沿洞察与实战干货，共同探讨 AI 技术从能力到系统、从实验到生产的真实路径。
范式智能系统研发专家杨守仁已确认出席 “AI Infra、推理工程与异构计算” 专题，并发表题为《从 HAMi 到 HAMi-DRA：异构环境的算力资源管理实践》的主题分享。
随着国产算力的发展，算力集群的从单一的 NVIDIA 设备逐步走向有更多不同国产厂商设备构成的异构算力集群，异构算力的管理这个问题逐步浮出水面。
HAMi 作为范式参与发起的项目，是范式在异构算力管理上的实践的成果。
HAMi 在易用性和管理能力上取得了一个较好的平衡，但是受限于 Kubernetes 的 Device Plugin 本身的缺陷，调度性能和精细化分配的能力面临瓶颈。
但是随着 Kubernetes v1.34 将 Dynamic Resource Allocation（DRA） 特性正式推进至 GA，集群设备资源管理从以节点为中心的分配模型，逐步演进为以资源对象为核心的声明式管理模式，相比传统 Device Plugin 接口仅能暴露简单容量信息，DRA 通过引入 ResourceClaim 使设备资源能够在 Pod 创建之前完成表达与约束，为 GPU 等复杂硬件资源的精细化调度提供了新的基础能力。
HAMi-DRA 是 HAMi 社区在 DRA 方向上的最新实践，结合范式自身的异构算力管理实践，HAMi-DRA 能在不牺牲核心调度能力的前提下，将现有 GPU 虚拟化调度体系平滑迁移至 DRA 资源模型。
从范式的实践结果来看 HAMi-DRA 在调度性能和精细化管理方面带来了显著的提升。
本次分享将从 Kubernetes 设备资源模型演进的视角出发，向大家介绍范式以及 HAMi 社区在异构设备管理的面临的挑战和实践，同时详细解析 HAMi-DRA 的整体架构设计与关键实现细节，展示如何基于 DRA 构建面向 AI 工作负载的可扩展 GPU 调度方案，并且综合说明在落地 HAMi-DRA 的过程中范式以及社区遇到的挑战。
杨守仁，范式智能（原名第四范式）工程师，系统研发专家。
在范式一直关注在 AI Infra 这个方向上，作为主要的负责人之一，参与范式的 GPU 集群的建设。
目前是 HAMi 社区的 maintainer 之一，主要的贡献集中于 HAMi 调度器的性能优化和 HAMi-DRA 上，并且参与 HAMi 社区的维护工作。
他在本次会议的详细演讲内容如下： 演讲提纲： 背景和动机 异构设备管理的挑战
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接