在“人工智能+”行動深入推進的當(dāng)下，算力基礎(chǔ)設(shè)施已成為國家戰(zhàn)略競爭力的核心，而超大規(guī)模集群的運維管控難題卻日益凸顯。中科曙光scaleX萬卡超集群打造的智能管理體系，正以“能管住-管得穩(wěn)-用得好”的進階邏輯，重塑超大規(guī)模算力基礎(chǔ)設(shè)施的運行范式，讓萬級節(jié)點協(xié)同從行業(yè)痛點變?yōu)楦咝СB(tài)。

集群管理的基石，始于數(shù)字孿生構(gòu)建的“鏡像世界”。曙光將物理集群的業(yè)務(wù)、節(jié)點、網(wǎng)絡(luò)、供配電等全鏈路映射至數(shù)字空間，實現(xiàn)全域透明可視與精準管控。在此基礎(chǔ)上，智能運維助手以“實時分析-智能診斷-根因定位-故障恢復(fù)”四步流程，為運維人員提供一體化視圖，讓集群狀態(tài)“看得見、摸得著”。

三層閉環(huán)架構(gòu)的智能化運維平臺，推動集群從“可觀測”升級為“可決策、可執(zhí)行”。

在數(shù)據(jù)可觀測層，全量采集指標與日志等數(shù)據(jù)，通過CMDB清晰呈現(xiàn)資產(chǎn)拓撲；在知識與算法層，結(jié)構(gòu)化沉淀專家經(jīng)驗，以“規(guī)則+數(shù)據(jù)”雙驅(qū)動實現(xiàn)精準異常檢測；在場景自動化層，針對常見和關(guān)鍵場景，定義標準化流程，通過自動化工具實現(xiàn)故障自愈與復(fù)盤。

這套體系最終將集群長期可用性鎖定在99.99%，意味著30天內(nèi)不可用時間不足4分鐘，將“故障”變成系統(tǒng)自動化處理的日常狀態(tài)。

穩(wěn)定性是底線，算力效率是核心競爭力。scaleX萬卡超集群已實現(xiàn)單集群支撐15000+節(jié)點、服務(wù)12萬+用戶，每秒并發(fā)調(diào)度萬級任務(wù)，背后離不開三大關(guān)鍵調(diào)度能力。數(shù)據(jù)親和性算法優(yōu)先“讓任務(wù)找數(shù)據(jù)”，規(guī)避冗余遷移；智能調(diào)度引擎動態(tài)匹配任務(wù)與資源，平衡優(yōu)先級、公平性與成本；多元融合調(diào)度則兼容HPC、AI、云原生任務(wù)，兼顧吞吐與隔離，配合存算傳緊耦合優(yōu)化，使AI加速卡利用率提升55%。

值得關(guān)注的是，這套管理體系與硬件創(chuàng)新深度協(xié)同。依托單機柜640卡的超高密度設(shè)計、浸沒相變液冷技術(shù)及自主研發(fā)的高速網(wǎng)絡(luò)scaleFabric，管理系統(tǒng)可充分釋放5EFlops總算力，同時將PUE控制在1.04，實現(xiàn)高效能與低能耗的統(tǒng)一。作為“AI計算開放架構(gòu)”成果，scaleX萬卡超集群兼容多品牌加速卡，適配400+主流大模型，覆蓋大模型訓(xùn)練、金融風(fēng)控等多元場景。

曙光用技術(shù)實踐證明，超大規(guī)模智算集群的終極目標，不是節(jié)點數(shù)量的堆砌，而是構(gòu)建自感知、自診斷、自修復(fù)、自優(yōu)化的智能算力基礎(chǔ)設(shè)施，期待與更多產(chǎn)業(yè)伙伴攜手，突破算力瓶頸，共建中國AI計算開放的新生態(tài)。