Anyscale

Anyscale es una plataforma en la nube gestionada basada en Ray, el framework de computación distribuida de código abierto desarrollado originalmente en UC Berkeley por Robert Nishihara, Ion Stoica y Philipp Moritz. La empresa fue fundada en 2019 por los mismos investigadores que crearon Ray, lo que la convierte en el producto comercial de referencia para los equipos que necesitan una infraestructura de Ray gestionada. El problema principal que resuelve es operativo: ejecutar cargas de trabajo distribuidas en Python en clústeres de GPU multinodo es difícil de aprovisionar, monitorizar y depurar sin un equipo de plataforma dedicado. Anyscale se encarga de esa capa para que los ingenieros de ML puedan centrarse en el código.

La plataforma cubre todo el ciclo de vida de la computación de ML: entrenamiento distribuido a través de Ray Train, preprocesamiento de datos a gran escala mediante Ray Data, despliegue de modelos en línea y por lotes con Ray Serve, aprendizaje por refuerzo a través de Ray RLlib y pipelines de ajuste fino orquestados en cientos de GPU. En 2025, Anyscale presentó Anyscale Runtime: un motor compatible con API construido sobre la versión de código abierto de Ray, con optimizaciones propietarias que ofrecen un preprocesamiento de características hasta 10 veces más rápido, una reducción de costes del 6x en la inferencia de imágenes por lotes y un rendimiento de solicitudes 7 veces mayor para el despliegue de modelos en comparación con el Ray de código abierto estándar. Entre sus clientes confirmados en producción se encuentran Coinbase, Runway, Character.ai, Physical Intelligence y muchos otros. Tanto OpenAI como Cohere han hablado públicamente sobre el uso de Ray para el entrenamiento de LLM a gran escala.

Lo que Anyscale realmente hace en 2026

Anyscale se sitúa entre la infraestructura en la nube pura (AWS, GCP, Azure, CoreWeave, Nebius) y tu código de ML. Escribes en Python utilizando las API de Ray: decoras funciones con @ray.remote, usas Ray Data para ETL distribuido, Ray Train para el entrenamiento de modelos multi-GPU y Ray Serve para desplegar endpoints de inferencia. Anyscale aprovisiona y gestiona los clústeres, se encarga del autoescalado, proporciona paneles de observabilidad y aplica políticas de seguridad y gobernanza en todos los espacios de trabajo.

El modelo de computación es de pago por uso sin tarifa mensual de plataforma: $0.57/hora por una NVIDIA T4, $4.96/hora por una A100, $9.29/hora por una H100 y $10.68/hora por una H200. Las cuentas nuevas reciben $100 en créditos iniciales y acceso a un espacio de trabajo de desarrollo gratuito (solo pagas por la computación cuando se ejecutan los trabajos). Los equipos empresariales utilizan contratos con compromiso que incluyen descuentos por volumen sobre las reservas de GPU en la nube existentes bajo el modelo de despliegue BYOC (Bring Your Own Cloud).

Las incorporaciones de productos en 2025 son significativas. Lineage Tracking (en beta privada desde el Ray Summit 2025, en octubre de 2025) permite a los equipos visualizar todo su pipeline, desde los datos hasta el modelo, como un gráfico interactivo, con integraciones en MLflow, Weights and Biases y Databricks Unity Catalog. El Global Resource Scheduler gestiona las prioridades de los trabajos entre la capacidad reservada, las instancias bajo demanda y las GPU spot, lo cual es útil para los equipos que buscan equilibrar los costes y el tiempo de respuesta en las ejecuciones de entrenamiento. Anyscale on Azure se lanzó en versión preliminar privada como un servicio nativo del portal de Azure con integración de Azure Entra ID, expandiéndose más allá de su dominio original en AWS/GCP.

Dónde se sitúa Anyscale frente a Modal y Databricks

Anyscale vs. Modal: Modal es una plataforma de funciones serverless. Decoras funciones de Python con @app.function(), y Modal levanta contenedores por invocación con arranques en frío de menos de un segundo y facturación por segundo. No hay un clúster persistente que configurar o mantener. Ese modelo funciona bien para endpoints de inferencia con picos de tráfico, trabajos por lotes cortos y desarrolladores que no quieren aprender primitivas de computación distribuida. Anyscale requiere que entiendas el modelo de actores de Ray, el almacén de objetos, los grupos de ubicación y la programación de tareas, porque esos conceptos se asignan directamente a cómo se ejecutan tus trabajos de entrenamiento. La recompensa es que para las ejecuciones de entrenamiento multinodo que duran horas o días en clústeres H100, la gestión de clústeres y las optimizaciones de rendimiento de Anyscale son sustancialmente más capaces que lo que soporta el modelo serverless de Modal. Los equipos son diferentes: Modal atrae a desarrolladores centrados en Python que ejecutan API de inferencia y pipelines de datos; Anyscale atrae a ingenieros de plataformas de ML que ejecutan entrenamientos a gran escala.

Anyscale vs. Databricks: vLLM y otros frameworks de inferencia similares a menudo se ejecutan en Databricks junto con pipelines de datos basados en Spark. Databricks es una plataforma de inteligencia de datos integral: cubre la ingesta de datos (Delta Lake), análisis SQL (motor Photon), ingeniería de características (Spark), seguimiento de experimentos (MLflow) y despliegue de modelos (Mosaic AI). Para las organizaciones que necesitan ingeniería de datos y ML en una única plataforma gobernada, Databricks tiene una profundidad que Anyscale no iguala. Anyscale no tiene una capa SQL, un almacén de datos ni soporte nativo para Spark. La ventaja se invierte para los equipos puramente enfocados en ML: Anyscale tiene una huella operativa más ligera, tiempos de arranque de clúster más rápidos y un modelo de programación nativo de Ray que supera a Spark en cargas de trabajo distribuidas centradas en Python, como el entrenamiento de LLM y el aprendizaje por refuerzo. Los equipos que ya pagaban por Databricks a veces ejecutan Anyscale en paralelo para pipelines de post-entrenamiento donde Spark no es la herramienta adecuada.

Una tercera comparación que vale la pena hacer: Ray autoalojado a través de KubeRay (el operador de Kubernetes de código abierto). KubeRay es gratuito: solo pagas los costes de computación en la nube. Anyscale añade tarifas de plataforma a cambio de eliminar el requisito de experiencia en Kubernetes, proporcionar las mejoras de rendimiento de Anyscale Runtime y ofrecer SLA de soporte. Para los equipos con un sólido departamento de infraestructura, KubeRay es una alternativa real. Para los equipos que no lo tienen, los ahorros operativos de Anyscale suelen justificar el coste adicional.

"Ray y Anyscale se alinearon con nuestra visión: iterar más rápido, escalar de manera más inteligente y operar de manera más eficiente". - Ingeniero Senior de Plataformas de ML en Coinbase, anyscale.com, 2025

Cómo es realmente ejecutar clústeres en Anyscale

La experiencia de desarrollo comienza en un Anyscale Workspace, que es un entorno de desarrollo en la nube persistente conectado a un clúster de Ray. Escribes código en una interfaz estilo VS Code o te conectas desde un IDE local, ejecutas trabajos e iteras sin necesidad de volver a aprovisionar. Cuando envías un trabajo de producción, Anyscale lo programa en tus grupos de recursos configurados.

El punto crítico es el propio modelo de programación de Ray. Los conceptos de computación distribuida se filtran a través de la abstracción. El error ObjectStoreFullError aparece cuando la memoria de trabajo en tu clúster se llena de objetos que aún no han sido recolectados por el garbage collector. La sobrecarga de serialización es real: pasar diccionarios de Python de 5-10 MB entre tareas remotas se topa con cuellos de botella de rendimiento documentados en el rastreador de problemas de GitHub de Ray. Depurar fallos distribuidos antes de las adiciones de observabilidad de Anyscale en 2025 significaba correlacionar registros entre nodos de trabajo individuales sin un rastro unificado. Anyscale ahora proporciona paneles de control para Ray Data, Ray Train y Tareas con disponibilidad general desde 2025, lo que consolida gran parte de eso en una sola vista, pero los equipos nuevos en la computación distribuida todavía se enfrentan a una curva de aprendizaje pronunciada en las primeras semanas.

La propia documentación de Anyscale lo reconoce honestamente: "Los nuevos usuarios de Ray a menudo se sienten abrumados por la necesidad de entender múltiples conceptos complejos desde el primer día". El nuevo producto Agent Skills (con disponibilidad general en 2026) utiliza IA para ayudar a los ingenieros a diagnosticar fallos en el clúster, planificar la asignación de memoria de la GPU y resolver dudas sobre la API de Ray, lo que automatiza parcialmente los puntos de fricción más comunes.

"Anyscale Endpoints nos ofrece ventajas de costes de 5x a 8x sobre las alternativas". - Siddartha Saxena, CTO de Merlin, lanzamiento de Anyscale Endpoints, septiembre de 2023

Para quién está diseñado Anyscale

Anyscale está dirigido a ingenieros de plataformas de ML y equipos de infraestructura de ML en empresas que ejecutan cargas de trabajo distribuidas con regularidad. Los casos de uso principales son el entrenamiento distribuido multinodo (preentrenamiento de LLM, postentrenamiento, ajuste fino), la inferencia por lotes a gran escala (procesamiento de millones de imágenes o documentos), el despliegue de modelos en tiempo real con autoescalado y los pipelines de aprendizaje por refuerzo. Empresas como RunPod o Lambda Labs atienden a investigadores individuales que alquilan GPU individuales por horas; Anyscale es para equipos que necesitan orquestación de clústeres en docenas o cientos de GPU.

El empaquetado empresarial es importante aquí. BYOC permite a las grandes organizaciones mantener los datos en sus propias cuentas en la nube, lo que satisface a los equipos de seguridad y cumplimiento normativo. El nivel de soporte con SLA 24x7, los casos de soporte ilimitados y la integración de gobernanza con Unity Catalog son características que las plataformas de alquiler de GPU individuales no ofrecen. Physical Intelligence, Runway y Character.ai, todas ellas empresas de IA con un uso intensivo de computación, utilizan Anyscale en producción.

Los equipos que evalúen Anyscale junto con Replicate o Together AI para cargas de trabajo exclusivas de inferencia deben tener en cuenta que esas plataformas son más simples pero menos flexibles: funcionan bien para servir modelos preentrenados a través de API, pero no soportan el entrenamiento distribuido multinodo ni pipelines personalizados de Ray. Anyscale es excesivo para casos de uso exclusivos de inferencia, a menos que también estés entrenando o realizando ajustes finos a gran escala.

Lo que Anyscale no es

Anyscale no es una plataforma de inferencia serverless. Si necesitas desplegar un único endpoint de modelo y recibir solicitudes de API, Modal es más barato y sencillo para empezar. No es una plataforma de datos completa: no hay motor SQL, ni Delta Lake, ni gobernanza de datos unificada entre datos estructurados y no estructurados. No es un proveedor de nube de propósito general: sigues necesitando AWS, GCP, Azure o una nube especializada en GPU por debajo.

Descarta Anyscale si tu equipo no tiene experiencia previa con Ray y la carga de trabajo no es inherentemente distribuida. Un trabajo de ajuste fino en una sola GPU A100 alquilada no necesita orquestación de clústeres. Un equipo pequeño que sirve un modelo a unos cientos de usuarios diarios no necesita Ray Serve. La inversión de aprendizaje en el modelo de programación de Ray solo vale la pena a una escala donde la ejecución distribuida es necesaria, no solo conveniente. Para los equipos a esa escala, Anyscale es probablemente la opción gestionada más sólida disponible en 2026.