来源：人民邮电报

本报讯　近期，中国移动实现智算万卡池在长周期训练场景下持续稳定运行，将有效解决超大规模算力集群调度、高可靠通信保障、故障智能诊断与快速自愈等业界难题。

随着AI技术爆发式发展，大模型参数规模从百亿级向万亿级跃升，这对智算基础设施的算力密度、稳定性和协同效率提出前所未有的挑战。中国移动依托哈尔滨数据中心智算集群，主导构建全调度以太网（GSE）技术体系，研发慢卡慢网络风险识别、断点续训、AI运维智能体等新技术，攻克了超大规模智算基础设施运行的关键技术难题。在协同管理机制上，中国移动以“五个一”卓越运维体系为指导，通过多轮流程优化攻坚，将故障处理流程大幅压缩，实现客户需求“一点响应”的端到端闭环。

在关键技术突破层面，团队重点攻关三大核心难题。一是创新慢卡慢网络风险识别技术，实现典型场景故障全部感知、提升诊断准确率；二是研发断点续训机制，实现故障节点自动隔离后训练状态的分钟级回滚，硬件故障导致的断训量下降50％；三是引入AI运维智能体，通过多层架构日志分析系统实现分钟级故障定界，覆盖25类软硬件故障解决方案，将故障处理时长从数天级降至分钟级。训练任务使用1万余张NPU板卡，全程保持集群可用率、服务可用率达到三个九的超高稳定性，其中NPU故障占比、光链路故障率大幅降低，充分验证了技术方案的有效性。

在卓越运维能力方面，中国移动在黑龙江、广东打造了智算运维样板间，首创训推一体的智算统一运维体系，率先构建了覆盖应用、模型、算力全栈的智能运维能力，业界领先探索“应用—模型—算力”的最佳实践与黄金运维指标体系，依托AI技术实现分钟级智算业务故障智能处置修复和能效算效双优，支撑党政、金融、教育等十大行业应用，赋能智能制造等社会关键领域，支撑外部客户数百场智算样板间参观展示、近百次顶层规划和解决方案设计，创造超10亿元直接经济效益。

中国移动智算万卡池长稳训练时长的大幅度提升，标志着我国在超大规模智算集群管控领域已具备领先水平，长稳运行能力直接将大模型训练周期缩短近三分之一，资源利用率近100％，为AI技术工业化量产奠定基础。　（宜欣）